Voice AI in vogue: Nvidia releases new open transcription model

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Nvidia가 최대 40개 언어의 녹음 음성을 전사하는 무료 오픈 웨이트 모델 Nemotron 3.5 Transcribe를 공개하며 업무용 음성 AI 경쟁에 가세했다.

📌 핵심 요약

• Nvidia는 2026년 10월 28일 무료 오픈 웨이트 음성 전사 모델 Nemotron 3.5 Transcribe와 오픈 소스 음성 데이터셋 Granary 버전 2를 공개했다.
• Nvidia에 따르면 Nemotron 3.5 Transcribe는 최대 40개 언어 전사, 31개 언어와 영어 간 양방향 번역, 최대 1시간 녹음 처리와 최대 8명 화자 구분을 지원하며, Hugging Face의 Open ASR Leaderboard 등을 포함한 벤치마크에서 경쟁 모델을 앞선다.
• 주요 대상은 업무 회의와 의료 전사 앱 개발자다. Nvidia는 Granary와 NeMo Speech 등을 활용해 언어별 업계 전문용어 인식을 맞춤화할 수 있다고 설명하지만, Transcribe는 녹음된 오디오만 처리하며 실시간 스트리밍은 지원하지 않는다.
• Nvidia는 300억 매개변수의 Transcribe가 Jetson AGX Thor, DGX Spark, Blackwell 데이터센터 칩 등 단일 칩에서 실행될 수 있다고 밝혔다. 기존 오픈 웨이트 음성 모델군에는 11억 매개변수의 Parakeet도 있다.
• 이번 공개는 Mistral의 Voxtral 3, ElevenLabs의 음성 에이전트용 Realtime, Salesforce의 Launa-Omni 등 음성 AI 제품 발표가 이어지는 가운데 이뤄졌다.

🧩 주요 포인트

1. 다국어 전사·번역과 화자 구분의 결합 → 여러 언어와 참석자가 등장하는 업무 회의·의료 전사 앱 개발에 활용할 수 있지만, 벤치마크 우위는 Nvidia의 주장으로 제시됐다.
2. Granary 버전 2와 NeMo Speech를 통한 전문용어 맞춤화 → 산업별 언어 요구에 대응할 여지가 있으나, 녹음된 오디오만 처리한다는 제약이 적용 범위를 결정한다.
3. 억 매개변수 모델의 단일 칩 실행 가능성 제시 → 다양한 Nvidia 하드웨어에서의 배포를 내세우며, Parakeet을 포함한 음성 모델군을 확장한다.

🧠 상세 정리

1. 다국어 전사 모델과 데이터셋 공개

Nvidia는 2026년 10월 28일 무료 오픈 웨이트 모델 Nemotron 3.5 Transcribe와 오픈 소스 음성 데이터셋 Granary 버전 2를 공개했다. 모델은 최대 40개 언어의 음성을 전사하며, Nvidia 설명에 따르면 31개 언어와 영어 사이의 양방향 번역도 지원한다. 최대 1시간 길이의 녹음을 처리하고 최대 8명의 화자를 구분할 수 있다는 기능도 제시됐다. Nvidia는 Hugging Face의 Open ASR Leaderboard 등을 포함한 벤치마크에서 경쟁 모델을 앞선다고 주장하지만, 기사에는 이를 독립적으로 검증한 결과나 구체적인 점수는 제시되지 않는다.

2. 업무용 맞춤화와 실시간 처리 제약

이 도구들이 겨냥하는 대상은 업무 회의와 의료 전사 앱을 만드는 개발자다. 기사는 이 두 분야를 AI가 직장에서 이미 확고하게 자리 잡은 활용 영역으로 설명한다. Nvidia는 개발자가 모델과 업데이트된 Granary 데이터셋, NeMo Speech 같은 도구를 함께 활용해 각 언어의 업계 전문용어를 인식하도록 앱을 맞춤화할 수 있다고 밝혔다. 다만 Transcribe는 녹음된 오디오를 처리하는 모델이며 실시간 스트리밍에는 사용할 수 없다. 따라서 전문용어 맞춤화 가능성과 별개로, 실제 적용에서는 녹음 자료를 다루는 용도라는 제약을 함께 고려해야 한다.

3. 단일 칩 실행과 기존 음성 모델군

Nvidia는 300억 매개변수 규모의 Transcribe가 단일 칩에서 실행될 수 있다고 밝혔다. 기사에서 제시한 하드웨어 범위는 로보틱스 컨트롤러인 Jetson AGX Thor와 새 노트북에 동력을 제공한다고 소개된 DGX Spark 칩부터 Blackwell 데이터센터 칩까지다. 이는 Nvidia가 모델 규모와 함께 여러 하드웨어에서의 실행 가능성을 강조하고 있음을 보여준다. Transcribe는 Nvidia의 기존 오픈 웨이트 음성 모델군에 추가되며, 기사에는 작지만 강력한 모델로 소개된 11억 매개변수의 Parakeet도 언급된다. 다만 단일 칩 실행에 관한 설명에는 하드웨어별 처리 속도나 메모리 요구량 같은 세부 조건이 포함돼 있지 않다.

4. 이어지는 음성 AI 제품 발표

이번 발표는 여러 기업이 음성 AI 제품을 잇달아 공개하는 시기에 나왔다. Mistral은 같은 달 앞서 Voxtral 3를 출시했고, ElevenLabs는 음성 에이전트에서 즉각적인 음성을 제공하는 Realtime을 선보였다. Salesforce도 음성 모델 Launa-Omni를 공개했다. 기사는 이러한 발표 흐름 속에 Nvidia의 새 전사 모델을 배치하며 음성 AI 분야의 활발한 제품 출시를 보여준다. 다만 나열된 제품 전체의 성능이나 기능을 직접 비교하지는 않으므로, 이 대목은 Transcribe의 경쟁 우위를 입증하는 근거보다는 시장의 출시 동향을 설명하는 맥락이다.

🧾 핵심 주장 / 시사점

• Nemotron 3.5 Transcribe의 활용 범위는 다국어 지원뿐 아니라 녹음된 오디오만 처리한다는 제약에 의해 결정된다.
• Granary 버전 2와 NeMo Speech를 함께 제시한 점은 Nvidia가 범용 전사 기능과 산업별 전문용어 맞춤화를 연결하고 있음을 보여준다.
• Nvidia가 주장한 벤치마크 우위와 단일 칩 실행 가능성은 각각 인식 성능과 배포 가능성에 관한 별개의 평가 항목이다.

✅ 액션 아이템

• 업무 회의·의료 전사 앱의 요구와 Nemotron 3.5 Transcribe의 녹음된 오디오 전용 제약 간 적합성 검토.
• Granary 버전 2와 NeMo Speech를 활용한 언어별 업계 전문용어 맞춤화 가능성 검토.
• Nvidia가 제시한 Open ASR Leaderboard 성능 주장과 300억 매개변수 Transcribe의 단일 칩 실행 가능성 확인.

❓ 열린 질문

• Nemotron 3.5 Transcribe의 최대 40개 언어 전사와 31개 언어·영어 간 양방향 번역은 업무 회의·의료 전사 앱의 언어 요구를 충족하는가?
• Granary 버전 2와 NeMo Speech를 활용한 맞춤화는 언어별 업계 전문용어 인식에 어느 정도 도움이 되는가?
• 300억 매개변수 Transcribe의 단일 칩 실행은 Jetson AGX Thor, DGX Spark, Blackwell에서 각각 어떤 조건으로 가능한가?