Nemotron 3.5 Transcribe face à NVIDIA Parakeet TDT 0.6B : le tenant du titre aux 626 000 téléchargements rencontre son remplaçant

Plus de 626 000 téléchargements sur Hugging Face reviennent à NVIDIA Parakeet TDT 0.6B, le transducteur de 600 millions de paramètres qui est le moteur de reconnaissance vocale anglais auto-hébergé par défaut depuis son apparition en août 2025. Presque aucun d'entre eux ne l'utilise seul : le déploiement standard consiste à utiliser Parakeet pour les mots, un diariseur distinct pour les locuteurs et une étape de fusion pour assembler les deux sorties aux frontières des segments. Nemotron 3.5 Transcribe, publié sous forme de poids ouverts le 28 octobre 2026, est l'offre de NVIDIA pour supprimer cette couche intermédiaire — un seul checkpoint qui transcrit, sépare jusqu'à huit voix et les horodate, en quarante langues, sans cascade. Il est également quarante-trois fois plus lent par seconde-GPU et environ vingt-cinq fois plus volumineux sur disque, ce qui est le point que l'annonce ne met pas en avant.

Ce qui est intéressant dans cette confrontation, c'est que les deux modèles appartiennent à la même entreprise. Il ne s'agit pas d'un challenger venu de l'extérieur pour déloger un acteur en place ; c'est NVIDIA qui vous vend un deuxième produit, bien plus lourd, pour accomplir la moitié du travail pour laquelle son premier produit n'a jamais été conçu.

Deux architectures, deux théories du poste

Parakeet TDT 0.6B v3 est un encodeur FastConformer qui alimente un décodeur transducteur token-et-durée. Un modèle TDT prédit à chaque étape à la fois un token et une durée, ce qui lui permet de sauter des trames et de fonctionner bien plus vite que le temps réel ; c’est précisément ce qui le rend rapide. Il couvre 25 langues européennes avec détection automatique de la langue, intègre des horodatages natifs au niveau du mot et est distribué sous licence CC-BY-4.0, soit à peu près la licence la moins contraignante qui existe. Il ne possède aucune représentation de locuteur — pas même une représentation faible, aucune.

Nemotron 3.5 Transcribe est un modèle de langage augmenté par la parole : un encodeur vocal, un modèle Nemotron 3 Diarization gelé injectant des caractéristiques d’activité des locuteurs via un Parallel Expert Encoder, et un décodeur hybride Mamba–Transformer à mélange d’experts dont environ 4 milliards de ses 30 milliards de paramètres sont actifs par token. Il ne classe pas les trames. Il génère du texte, c’est pourquoi on peut lui indiquer comment le générer.

• Paramètres — environ 30 Md au total, environ 4 Md actifs par token contre 600 M.

Décodage — génération autorégressive vs transducteur token-and-duration, non autorégressif.

• Licence — OpenMDW-1.1 vs CC-BY-4.0.

• Langues — 40 transcrites, 31 traduites vers ou depuis l’anglais, contre 25 langues européennes avec détection automatique.

• Intervenants — jusqu’à 8, identifiés, en 13 langues contre aucun.

• Horodatages — alignement CTC après décodage, attribués au locuteur vs synchronisation native au niveau des mots.

• Débit — RTFx 462 sur l’Open ASR Leaderboard contre RTFx 3 333.

• Durée audio et streaming — 1 heure par fichier, enregistré uniquement vs enregistré, avec un homologue de streaming de 0,6B traitant séparément l’audio en direct.

Les chiffres de précision varient selon qui héberge.

Sur la moyenne des formes courtes en anglais du classement Open ASR de Hugging Face, Parakeet TDT 0.6B v3 affiche 6,34 % et Nemotron 3.5 Transcribe 5,33 %. Cela fait un écart d’un point sur le même classement public, ce qui est une comparaison plus respectable que la plupart dans cette série — même banc d’essai, mêmes jeux de test, soumissions propres aux deux fournisseurs. Cela ne raconte toujours pas toute l’histoire, car les deux entrées ont été évaluées à des moments différents et la moyenne du classement est dominée par de la parole lue propre.

Artificial Analysis raconte une histoire très différente, et il vaut la peine de comprendre pourquoi. Dans ce classement, l’entrée Parakeet se situe à 4,5 %, bien au-delà de ce que suggérerait sa moyenne Open ASR, tandis que Nemotron 3.5 Transcribe se situe à 3,4 %. Les 4,5 % appartiennent à la configuration d’un point de terminaison hébergé, et non au checkpoint présent sur votre propre matériel, et les choix de traitement par lots et de décodage du déployeur font varier le chiffre de près d’un point. Comparer un score Parakeet hébergé à un score auto-hébergé est l’erreur la plus courante dans la couverture de cette semaine, et cela joue aussi dans l’autre sens : le chiffre de 2,8 % annoncé par NVIDIA au lancement pour Nemotron est une valeur soumise, et le 3,4 % actuel du classement est la mesure.

Le tableau indépendant revu par des humains est encore plus restreint. Sur l’ensemble anglais de Perit, Parakeet TDT 0.6B v3 affiche un WER de 2,13 %, se classe 14e sur 22, et 54 % des extraits sont transcrits parfaitement. GPT Transcribe et MAI Transcribe 2 se situent à 1,76 %, aux sixième et septième places. Le checkpoint 30B de Nemotron 3.5 Transcribe n’apparaît pas du tout dans ce classement ; le modèle nemotron-3.5-asr-streaming-0.6b qui y figure se classe 21e avec 3,35 % — un modèle différent pour une tâche différente, souvent confondu avec celui dont traite cet article.

Ce que le remplacement supprime réellement

La cascade Parakeet que les utilisateurs exécutent aujourd’hui comporte trois parties et trois modes de défaillance. Le reconnaisseur produit du texte avec les horodatages des mots. Le diariseur produit des tours de parole. La fusion attribue les tours de parole aux mots, et elle le fait au moyen d’heuristiques de chevauchement qui se trompent précisément là où cela compte — lorsque deux personnes parlent en même temps. Les chiffres rapportés par NVIDIA pour le remplacement par un modèle unique ciblent directement cette défaillance : 18,26 % de taux d’erreur de diarisation sur 21 langues au benchmark David AI, meilleur de 14 systèmes ; 32,4 % de WER concaténé à permutation minimale sur VoiceArena, meilleur de 14, le deuxième étant une cascade Multitalker Parakeet plus Nemotron 3 Diarization à 34,2 % ; et 8,32 % des mots de référence omis sur des paroles anglaises se chevauchant, contre une médiane d’environ 31 %.

Ce sont des chiffres de fournisseur obtenus sur un banc d'essai de fournisseur, et ils n'ont pas été reproduits de manière indépendante. Mais remarquez ce qu'est le deuxième : la propre cascade de NVIDIA, construite à partir du modèle cité dans le titre de cette comparaison. L'entreprise publie un benchmark dans lequel son nouveau produit bat son ancien produit associé à un diariseur. C'est une preuve inhabituellement directe, et c'est aussi le genre de preuve qu'un fournisseur est le mieux placé pour produire et le moins susceptible de publier si le résultat avait été inverse.

La deuxième chose que le remplacement supprime, c’est la gestion des langues. Parakeet couvre 25 langues européennes ; Nemotron en couvre 40 pour la transcription et 31 pour la traduction vers ou depuis l’anglais, avec l’attribution des locuteurs pour 13 d’entre elles. Si votre file d’attente s’arrête à l’UE, cette différence est théorique. Si elle inclut l’arabe, le mandarin, le hindi ou le japonais, Parakeet n’a jamais été une option et la comparaison oppose Nemotron à une tout autre solution.

Combien cela vous coûte de le remplacer

D’abord, le débit. Les 3 333 RTFx de Parakeet contre 462 pour Nemotron représentent un écart de 7,2× sur le même banc d’essai du classement — un écart plus faible que ne le laisse supposer le rapport de paramètres, car le MoE n’active qu’environ 4 milliards de ses 30 milliards de poids par token, mais qui reste bien réel. L’affirmation plus forte de NVIDIA — jusqu’à 2 238 secondes d’audio par seconde sur une seule RTX PRO 6000 Blackwell — suppose le checkpoint NVFP4 ainsi qu’un modèle draft DFlash2 et a été mesurée sur des clips de 30 secondes à forte concurrence. Aucun des deux chiffres n’est faux ; ils mesurent des configurations différentes, et un plan de capacité fondé sur le chiffre le plus élevé vous décevra sur des réunions d’une heure.

L’empreinte, ensuite. Parakeet TDT 0.6B tient dans quelques gigaoctets et tourne confortablement sur un GPU de milieu de gamme, et ses versions quantifiées tournent sur des CPU. Nemotron 3.5 Transcribe fait des dizaines de gigaoctets en BF16 et nécessite vLLM avec le plugin NeMo Speech ou SGLang-Omni sur un accélérateur de centre de données. Il n’existe aucune version de ce scénario où le modèle 30B remplace le modèle 0.6B sur le même matériel.

Maturité, troisième. Parakeet compte un an de déploiements, un millier de réponses sur les forums et une chaîne d’outils opérationnelle dans NeMo, Transformers et un runtime C++. Nemotron 3.5 Transcribe a un jour. Sa prise en charge de GGUF et de NeMo-Speech.cpp est annoncée pour bientôt ; ses builds locaux quantifiés n’ont pas encore été livrés. Si votre pipeline doit rester sans surprises, c’est une raison d’attendre un trimestre plutôt qu’une raison de rejeter le modèle.

Là où le titulaire l’emporte encore nettement

Tout d’abord, tout ce qui est interactif. Le décodage par transducteur de Parakeet renvoie les mots au fur et à mesure que l’audio arrive, et ses horodatages natifs sont une propriété du décodeur plutôt qu’une étape d’alignement a posteriori. Nemotron 3.5 Transcribe est explicitement conçu pour l’audio enregistré — le post Hugging Face de NVIDIA le dit lui-même — et il existe un modèle de streaming distinct de 0,6 B pour les sessions en direct. Si votre produit sert à des sous-titres en direct, aucun des deux modèles cités dans ce titre n’est la bonne réponse ; c’est le modèle de streaming homologue qui l’est, et il s’agit d’une comparaison différente.

Tout ce qui est sur site à petite échelle, pour deux. Une clinique avec une seule carte de station de travail, un cabinet d’avocats avec une archive et un responsable de la conformité, un groupe de recherche avec une seule subvention GPU : Parakeet à 0.6B est un déploiement réaliste, et Nemotron à 30B ne l’est pas. L’écart de précision d’environ un point sur de l’anglais propre ne rentabilise pas le matériel.

Tout ce qui est uniquement en anglais et sans exigence de locuteur, pour trois. Ce qui représente la majeure partie du travail de transcription. Le résumé honnête est que la majorité des 626 000 téléchargements de Parakeet concernent des tâches que la mise à niveau n’améliore pas.

Maintenir le pipeline opérationnel lorsque la moitié repose sur votre propre matériel

L’auto-hébergement du moteur de reconnaissance introduit un mode de défaillance que les API gérées ne connaissent pas : votre carte, votre pilote, votre fenêtre de maintenance. C’est précisément l’argument pour maintenir l’autre moitié du pipeline — le résumeur, le classifieur, l’extracteur qui transforme une transcription en enregistrements structurés — sur un point de terminaison doté d’une redondance intégrée. OrcaRouter exécute plus de 200 modèles textuels et multimodaux derrière une seule clé, avec le basculement automatique entre fournisseurs lorsqu’un service en amont se dégrade, les prix catalogue des fournisseurs répercutés à 0 % de marge, et un DSL de routage qui vous permet d’orienter les comptes rendus de réunion et les notes d’appel vers différents modèles sans dupliquer les intégrations. Nemotron 3.5 Transcribe et Parakeet TDT 0.6B sont tous deux hors de ce catalogue — nous ne fournissons pas de reconnaissance vocale — mais la couche qui lit leur sortie n’a pas à échouer lorsqu’un GPU tombe en panne.

La décision de mise à niveau

Remplacez Parakeet par Nemotron 3.5 Transcribe si c'est la cascade qui vous pénalise : si vous maintenez un diariseur et une étape de fusion, si vos réunions comptent plus de deux voix, si votre audio n'est pas européen, ou si les mots « overlapping speech » apparaissent dans vos tickets d'assistance. Dans ce cas, le checkpoint 30B n'est pas un luxe : c'est la suppression de deux composants mobiles et de leur budget d'erreur, et le coût en débit reste un coût en débit — une seule carte traite encore bien plus d'audio qu'une équipe surchargée de réunions ne peut en produire.

Gardez Parakeet si votre audio est en anglais ou dans une langue européenne, si vos locuteurs sont connus ou sans importance, si votre matériel est une station de travail et si votre pipeline fonctionne. Le nouveau modèle ne rend pas l’ancien obsolète ; il couvre les cas pour lesquels l’ancien n’a jamais été conçu. Et continuez à surveiller les forums indépendants, car chaque chiffre dans cet article qui favorise Nemotron 3.5 Transcribe sur la diarisation provient de NVIDIA, et un deuxième avis n’a pas encore été publié.