NVIDIA NemotronLabs VoiceChat 11B : le modèle vocal full-duplex que NVIDIA a lancé sans l'annoncer

Deux fiches de modèle se trouvent dans le même dépôt Hugging Face, et elles se contredisent. Celle qui s'affiche sur la page appelle le modèle NVIDIA NemotronLabs VoiceChat 11B, donne sa date de sortie au 3 août 2026 et indique 11B paramètres. La seconde, un fichier nommé overview.md que personne ne voit à moins d'ouvrir l'onglet Fichiers, appelle le même modèle 12B, date la sortie au 16 juillet, comporte une section de benchmark que la fiche publique omet, et contient encore le mot TODO là où devrait se trouver une description des résultats. Aucune des deux fiches n'était accompagnée d'un post de lancement, d'un communiqué de presse, d'un rapport technique ou d'un tweet de NVIDIA.

Ce qui s'y trouve n'est pourtant pas un espace réservé. Il s'agit d'un checkpoint de 44 Go qui écoute et parle en même temps : une pile unique qui prend l'audio du microphone en entrée et renvoie de la parole synthétisée en sortie, sans le relais habituel de la reconnaissance vocale vers un modèle de langage puis vers la synthèse vocale. Il est construit sur le Nemotron Nano 9B v2 backbone, il peut appeler des outils en plein milieu d'une phrase tout en continuant de parler, et NVIDIA affirme qu'il s'agit du premier modèle open source en duplex intégral capable de faire cela.

Tout ce qui suit est lu directement sur ce dépôt — les deux fiches, config.json, et l'index des tenseurs du fichier de poids, que nous avons analysé nous-mêmes pour trancher la question du 11B par rapport au 12B. Chaque chiffre de performance que NVIDIA publie pour ce modèle est propre à NVIDIA, mesuré par NVIDIA, et non reproduit. Il existe exactement une mesure indépendante de cette lignée dans le domaine public, provenant d'Artificial Analysis, et elle est répertoriée sous un nom différent et un nombre de paramètres différent — ce qui s'avère être le plus intéressant dans cette publication.

Qu'y a-t-il réellement dans le dépôt ?

Le dépôt a été créé le 29 juillet 2026 et modifié pour la dernière fois le 4 août. Il contient dix-sept fichiers : les deux fiches de modèle concurrentes, une licence, un config.json, un fichier de 44,4 Go model.safetensors, un schéma d'architecture, un répertoire de tokenizers RNN-T, quatre courtes notes de politique sur les biais, la sécurité, la confidentialité et l'explicabilité, et trois fichiers .wav — une démo de gestion des tours de parole, une démo d'interruption (barge-in) et une démo d'appel d'outils — intégrés comme lecteurs audio en haut de la fiche pour que vous entendiez le modèle avant de lire à son sujet.

Plusieurs choses sont absentes, et elles comptent plus que la liste des fichiers.

• Il n'existe pas d'article pour ce modèle.La fiche en cite cinq : VoiceBench, Full-Duplex-Bench 1.0, Full-Duplex-Bench v3, SALM-Duplex, Audio Flamingo 3, plus le preprint PersonaPlex de NVIDIA. Aucun d'entre eux n'est un rapport technique de NemotronLabs VoiceChat. L'architecture est décrite en environ trois paragraphes et un schéma, et c'est là tout le compte rendu public de la façon dont il a été construit.

• Il n'y a aucun moyen de l'appeler.La page Hugging Face indique clairement que le modèle « n'est déployé par aucun fournisseur d'inférence ». Il n'existe aucun endpoint hébergé, ni chez NVIDIA ni ailleurs. L'unique fil de discussion ouvert dans la communauté sur le dépôt est un utilisateur demandant à NVIDIA d'ajouter un handler.py afin que le checkpoint puisse être déployé sur les Inference Endpoints de Hugging Face — quelqu'un qui a essayé de l'exécuter de la manière simple et a découvert qu'il n'y en avait pas.

• Il n'y a pas de pipeline_tag ni de library_name. C'est pourquoi la page n'a pas de widget d'inférence ni d'étiquette de tâche, et c'est un symptôme du problème plus profond : config.json n'est pas une configuration Transformers. C'est une configuration NeMo de 32 Ko pour l'entraînement, avec un bloc AdamW, un planning du taux d'apprentissage, les bucket bins du dataloader et une division de validation. Vous ne pouvez pas pointer AutoModel.from_pretrained vers cela. Vous clonez une branche spécifique du dépôt Speech de NVIDIA — nemotron-labs-voicechat — vous construisez un environnement conda figé sur Python 3.12, PyTorch 2.10 et Transformers 4.56, compilez causal-conv1d et mamba-ssm sans isolation de build, puis exécutez leur script.

Le compteur de téléchargements reflète tout cela. 107 mentions « J’aime » contre 80 téléchargements au cours du premier mois du modèle est la signature d’une version que les gens ont mise en signet et n’ont pas exécutée.

Nous avons compté les paramètres, et 11B gagne.

Un fichier safetensors comporte un en-tête JSON qui liste chaque tenseur, sa forme et son dtype, si bien que le nombre de paramètres ne fait pas débat. Nous avons extrait l'en-tête et fait le compte : 11 095 millions de paramètres répartis sur 1 626 tenseurs float32, occupant 44,38 Go. La fiche affichée est donc correcte et overview.md est obsolète — c'est un modèle de 11B, et le chiffre de 12B est un reliquat.

L'arbre de modèles de Hugging Face explique où un 12B a pu s'immiscer. La lignée qu'il trace passe par Nemotron Nano 12B v2 Base, puis Nemotron Nano 12B v2, ensuite Nemotron Nano 9B v2, et seulement après cela, ce modèle. La propre famille de backbones texte de NVIDIA contient à la fois un 12B et un 9B, le 9B étant le descendant élagué du 12B, et VoiceChat est construit sur le 9B. Une fiche rédigée plus tôt dans cette chaîne aurait naturellement porté le nombre le plus grand.

L'en-tête se divise aussi proprement selon les deux moitiés de l'architecture :

• Côté compréhension — 10.098B. Sur ce total, 7.714B correspondent à l'empilement de transformateurs Nemotron Nano v2, 0.609B à l'encodeur de parole, et trois matrices distinctes de 131,072 × 4,480 occupent chacune 0.587B.

• Côté parole — 0.997B. Un backbone de synthèse vocale de 28 couches, large de 1 152, avec 0.595B de paramètres, une tête de sortie à mélange de gaussiennes de 0.159B, et un codec audio neuronal dont l'encodeur et le décodeur font chacun 0.092B.

Deux conséquences pratiques découlent du dtype. La première est que le téléchargement de 44 Go n'est pas un gros modèle, c'est un modèle ordinaire distribué en float32 ; convertissez-le en bfloat16 et les poids font environ 22 Go. La seconde est que le seuil annoncé par NVIDIA de 80 Go de VRAM est une conséquence de ce choix plutôt que de la taille du modèle, et quiconque dispose d'une carte de 48 Go et est prêt à convertir lui-même le checkpoint n'est pas visiblement exclu — même si personne n'a publié d'exécution confirmée avec cette empreinte, traitez cela comme de l'arithmétique, pas comme une promesse.

Comment il écoute et parle en même temps

"Full duplex" est tout l'intérêt de la version, et la configuration montre comment cela s'acquiert. Trois choix de conception font le travail.

• L'encodeur de parole ne peut pas anticiper. Il s'agit d'un Conformer à 24 couches et 8 têtes dont le contexte d'attention est défini sur [70, 0] — soit soixante-dix trames de contexte gauche et zéro trame de contexte droit. Un reconnaisseur conventionnel jette un coup d'œil à l'audio après l'instant présent pour lever l'ambiguïté de ce qu'il vient d'entendre ; celui-ci n'a pas le droit de le faire, ce qui coûte en précision et procure la capacité d'émettre une décision dès qu'une trame arrive.

• Tout est quantifié à 80 ms. La longueur de trame dans la configuration est de 0,08 seconde, ce qui correspond à la taille de segment de 80 ms que NVIDIA a décrite ailleurs pour cette ligne de travail. Le modèle décide, toutes les 80 ms, s'il doit continuer à écouter ou commencer à parler. C'est ce rythme qui rend le barge-in immédiat plutôt que poli.

• Les appels d'outils sortent de leur propre bouche.Rappelez-vous ces trois matrices de vocabulaire à 131 072 entrées, de forme identique. L'une est le plongement d'entrée, l'autre est la tête de modèle de langage ordinaire — et la troisième est nommée function_head. Le « canal de sortie séparé pour les scripts d'appel d'outils » dans la prose de la fiche est une troisième projection de sortie littérale, large de 587 millions de paramètres, qui s'exécute en parallèle de la génération de parole. C'est la raison architecturale pour laquelle le modèle peut envoyer un appel d'outil sans interrompre la conversation, et c'est un véritable engagement de conception plutôt qu'une convention de prompt.

En aval, le décodeur de synthèse vocale prédit des codes pour un codec à quantification vectorielle résiduelle avec 31 quantificateurs et des taux de sous-échantillonnage de 7, 7 et 9 — une réduction de 441× qui place le débit de jetons audio à 50 trames par seconde, en sortie à 22,05 kHz. L'entrée est à 16 kHz. Il y a également un décodeur RNN-T et un réseau conjoint dans le point de contrôle, ce qui explique pourquoi les sorties déclarées du modèle incluent une transcription de l'utilisateur aux côtés de son propre texte et de son audio : la transcription est une véritable tête de reconnaissance, et non un sous-produit. La voix par défaut s'appelle Aria, et un clip de référence de trois secondes conditionne le locuteur.

Un autre détail de la configuration mérite d’être signalé, car il corrobore une limitation annoncée : le dataloader d’entraînement plafonne les énoncés à 142,39 secondes. L’avertissement de la fiche indiquant que le modèle ne peut gérer qu’un contexte audio de deux minutes au maximum est visible dans le pipeline de données qui l’a produit.

Les scores, et qui les a réellement mesurés

Les principales affirmations de NVIDIA concernent la latence et le classement. Sur Full-Duplex-Bench 1.0, elle rapporte 448 ms pour prendre un tour de parole fluide et 480 ms pour céder la parole lorsqu'elle est interrompue, avec un taux de prise de parole de 0,82 lors d'un tour de parole fluide et de 1,0 lors d'une interruption par l'utilisateur, et un score de juge GPT-4o de 4,33 pour la gestion des interruptions. Elle revendique la 2e place parmi les modèles full-duplex ouverts sur VoiceBench et la 2e place parmi les modèles ouverts sur Full-Duplex-Bench. Tous ces résultats proviennent des propres exécutions de NVIDIA.

Aligne-les contre le monde extérieur et deux brèches s'ouvrent.

• Sur le raisonnement vocal, le chiffre du fournisseur est supérieur d'environ huit points. Le non rendu overview.md indique 37,0 % sur Big Bench Audio. Artificial Analysis a mesuré indépendamment cette lignée à 29,2 %. Même benchmark, même famille, un écart suffisamment grand pour changer la position du modèle dans le classement.

• Sur VoiceBench, le chiffre du fabricant est trop modeste. La fiche technique revendique la deuxième place parmi les modèles open full-duplex ; le classement public VoiceBench place ce modèle à 58.10, ce qui est le sommet du groupe open full-duplex, devant Freeze-Omni à 55.20 et Moshi à 29.51. La propre fiche provisoire de NVIDIA indique 55.1 pour son modèle — en dessous du chiffre que le classement affiche actuellement.

Il y a aussi une petite anomalie : le tableau comparatif de NVIDIA évalue ses rivaux plus généreusement que ne le fait Artificial Analysis. La fiche provisoire attribue à Freeze-Omni 33,4 % et à PersonaPlex 7B 19,1 % sur Big Bench Audio ; Artificial Analysis mesure 33,9 % et 12,6 %. L'ordre des concurrents reste le même dans les deux cas, ce qui est rassurant, mais cela rappelle que le banc d'essai d'un fournisseur et un banc indépendant ne donnent pas les mêmes chiffres, même pour des tiers.

Le graphique rend un titre honnête incontournable. Parmi les modèles full-duplex ouverts, c'est un véritable pas en avant — il fait plus que doubler PersonaPlex sur le raisonnement oral et laisse Moshi dans une catégorie entièrement différente. Comparé à ce que l'on peut acheter, il est très loin du compte : Step-Audio R1.1 à 96 %, Voice Agent de Grok 4.5 et Gemini 2.5 Flash (Thinking) à 92 %, Nova 2.0 Sonic à 87 %. Cela représente un écart d'environ trois pour un sur le raisonnement à partir de la parole.

La façon la plus claire de voir ce que coûte actuellement le full duplex se trouve dans le propre catalogue de NVIDIA. Sur VoiceBench, NVIDIA Nemotron 3 Nano Omni 30B A3B — un modèle plus grand qui n'est pas full duplex — obtient un score de 89,39, contre 58,10 pour VoiceChat. Environ trente points de qualité d'assistant correspondent au prix du traitement des interruptions et du temps de réponse inférieur à 500 ms, du moins dans cette génération. Si votre produit n'a pas besoin d'un modèle qui peut être interrompu en pleine phrase, vous payez très cher une fonctionnalité que vous n'utiliserez pas.

L'appel d'outils est la vedette, et aussi la partie la plus faible.

« Premier modèle full-duplex open source à prendre en charge l'appel d'outils » : c'est sur cette affirmation que repose la publication, et les chiffres qui l'accompagnent sont inégaux. Sur une version orale de BFCL-v3, NVIDIA rapporte une moyenne de 56,1 % : 58,5 % en simple, 62,5 % en multiple, 42,5 % en parallèle, 27,5 % en parallèle-multiple, et 89,6 % pour le refus correct d'appels non pertinents. Sur Full-Duplex-Bench v3, l'écart est encore plus marqué.

• Sélection d'outils — 82,5 %. Choisir la bonne fonction dans la liste, ce que NVIDIA décrit à juste titre comme compétitif avec les modèles de pointe.

• Précision de l'argument — 44,2 %. Remplir correctement les paramètres de cette fonction à partir de ce que l'utilisateur a dit.

• Pass@1 — 33%. Réussir l'intégralité de l'appel du premier coup.

Un modèle qui sait quel outil il veut avec une fiabilité supérieure de deux tiers à sa capacité à remplir les arguments de l’outil est un modèle qui recherchera en toute confiance la météo de la mauvaise ville. Dans un agent textuel, vous détecteriez cela avec une couche de validation et une nouvelle tentative ; dans un appel vocal en direct, la nouvelle tentative est audible, et la fiche note que le modèle ne doit pas réessayer un appel ayant échoué — il lui est demandé de dire à l’utilisateur que l’API a un problème.

Les contraintes opérationnelles qui l'entourent sont strictes, et NVIDIA les énumère sans détour : cinq outils maximum par session avant que la qualité ne se dégrade, pas d'appels simultanés multi-outils fiables, aucun moyen pour l'utilisateur d'interrompre un outil en cours d'exécution, et une tendance, en conversation mixte, à répondre à partir de ses propres connaissances au lieu d'appeler l'outil qu'il aurait dû. Les réponses longues des outils bloquent l'agent, ce que la fonctionnalité « message d'attente » existe précisément pour masquer — vous rédigez à l'avance une phrase que l'agent prononce dès qu'un appel est déclenché, pour que le silence soit comblé.

Une bizarrerie qui coûtera une après-midi à quelqu'un : les invites système et les réponses des outils doivent être en ASCII uniquement. Pas de tirets cadratins, pas de guillemets courbes, pas de symboles de degré, pas d'emoji. La sortie des outils doit être aplatie en phrases ASCII simples et adaptées à la parole avant d'atteindre le modèle, ce qui signifie qu'une réponse d'API JSON ne peut pas être transmise telle quelle.

Ce qu'il en coûte pour fonctionner, et la licence qui vous en empêche.

Commençons par le matériel. La documentation de la branche de NVIDIA demande un GPU avec au moins 80 Go de mémoire, ce qui pointe vers un H100 ou un H200, et la configuration testée est un H100 avec vLLM. La capacité H100 à la demande coûte environ 2 à 3 dollars de l'heure sur les principaux clouds GPU, donc une instance fonctionnant en continu revient à environ 1 500 à 2 200 dollars par mois avant même d'avoir écrit le moindre code applicatif, embauché quelqu'un pour la maintenir, ou servi une deuxième conversation simultanée.

Maintenant, la comparaison. Artificial Analysis normalise le prix du speech-to-speech hébergé en coût par heure d'audio d'entrée, et les prix actuels vont d'environ $1.42/heure pour l'option la moins chère à $10.75/heure pour le niveau premium le plus cher, avec une option de milieu de gamme réputée comme Grok Voice Think Fast 2.0 qui s'établit à $4.80/heure — soit $0.08 par minute audio.

Lisez ces deux paragraphes ensemble et l’argument de l’auto-hébergement est plus faible qu’il n’y paraît. Un H100 dédié n’est moins cher qu’un endpoint hébergé de milieu de gamme que si vous le gardez véritablement occupé, et il est plus cher que l’extrémité bon marché du marché hébergé presque quelle que soit l’utilisation — tout en absorbant aussi l’ingénierie, l’astreinte, et un modèle qui obtient 29,2 % là où les options hébergées obtiennent 87 à 96 %.

Et puis il y a le mur. La licence est la OpenMDW License Agreement v1.1, et la fiche indique dans son propre bloc de citation que le modèle « est prêt uniquement pour des fins de recherche ». Le code sur la branche GitHub est sous Apache-2.0 ; les poids ne le sont pas. Vous pouvez le télécharger, l'étudier, l'affiner, le soumettre à des benchmarks et écrire à son sujet. Vous ne pouvez pas le mettre devant des clients. Tout argument économique ci-dessus est donc théorique pour une entreprise qui tente de commercialiser un produit vocal — la question n'a jamais été de savoir si le calcul GPU fonctionnait.

C'est aussi pour cela que nous dirons l'évidence sans détour : NemotronLabs VoiceChat 11B n'est pas appelable via OrcaRouter, parce qu'il n'est appelable via rien. Ce qu'une clé vous apporte, c'est la référence à laquelle il devrait être mesuré — les modèles vocaux et audio hébergés se trouvent derrière une seule API avec une majoration de 0 %, ce qui signifie que nous transmettons directement le prix catalogue du fournisseur, de sorte que lorsqu'un vendeur réduit son tarif audio, c'est le montant le plus bas que vous payez ce jour-là plutôt qu'après un cycle contractuel. Si vous établissez le prix d'un agent vocal, ce chiffre par minute est le nombre qu'un GPU de 80 Go doit battre, et il vaut la peine de le connaître avec précision avant de vous engager pour un rack.

Le problème de nommage : 11B, 12B, NemotronLabs, Nemotron 3

C'est là que la plupart des premières couvertures ont fait fausse route, il vaut donc la peine d'être prudent quant à ce qui est établi et à ce qui ne l'est pas.

Quatre des surfaces propres de NVIDIA décrivent ce travail sous trois étiquettes différentes. Hugging Face publie « NVIDIA NemotronLabs VoiceChat 11B » avec des poids ouverts et une licence de recherche uniquement. Le blog des développeurs de NVIDIA, en mars 2026, a décrit « Nemotron 3 VoiceChat » comme un modèle full-duplex à 12B de paramètres en accès anticipé, ciblant moins de 300 ms de latence de bout en bout sur des tranches de 80 ms, avec un programme d’accès anticipé offrant des conteneurs de référence, des résultats de benchmarks et une voie de fine-tuning, et promettant des « poids ouverts et inspectables pour le déploiement en entreprise ». Le classement public VoiceBench et Artificial Analysis répertorient tous deux leurs entrées comme « Nemotron 3 VoiceChat (V1) », 12B.

Ce qui est connaissable : les descriptions de l'architecture correspondent composant par composant — encodeur Fast Conformer, backbone Nemotron Nano v2 9B, décodeur de synthèse vocale NVIDIA, canal d'appel d'outils séparé, trames de 80 ms, une pile unifiée. La carte non rendue dans le dépôt Hugging Face utilise le chiffre de 12B que les autres surfaces utilisent. Il s'agit de la même ligne de travail, et les entrées tierces mesurent presque certainement cette famille.

Ce qui n'est pas confirmé : que le checkpoint que vous pouvez télécharger aujourd'hui est, bit pour bit, ce qu'Artificial Analysis et VoiceBench ont évalué, ou ce que le programme d'accès anticipé distribue. Deux détails plaident contre cette hypothèse. Les nombres de paramètres diffèrent : 11,095B mesurés contre 12B déclarés. Et les cibles de latence diffèrent nettement — le pitch entreprise du blog promet moins de 300 ms de bout en bout, tandis que la fiche publiée mesure 448 ms et 480 ms sur Full-Duplex-Bench. Il pourrait s'agir de points de mesure différents sur le même modèle, ou de modèles différents. NVIDIA ne l'a pas dit, parce que NVIDIA n'a rien dit du tout à propos de cette version.

En pratique : si vous citez un chiffre pour ce modèle, précisez de quelle surface il provient. Les articles qui attribuent les 29,2 % d'Artificial Analysis à la fiche modèle Hugging Face, ou les 37,0 % de NVIDIA à un test indépendant, fusionnent deux choses que NVIDIA elle-même conserve dans des documents séparés avec des nombres de paramètres différents.

Là où ça casse.

La section des limitations de la carte de brouillon est exceptionnellement franche, et la branche GitHub en ajoute davantage. Collecté :

• Anglais uniquement, et aucune feuille de route multilingue dans le dépôt.

• Mémoire de deux minutes. La conversation au-delà d'une fenêtre audio de deux minutes peut ne pas être conservée — un plafond strict pour les appels de support ou tout ce qui doit se souvenir de ce qui a été convenu il y a quatre minutes.

• Plus bête que son propre backbone. NVIDIA déclare qu'il pourrait être moins performant que Nemotron Nano 9B v2 en matière de connaissances, de suivi d'instructions et de sécurité, car il a été optimisé pour le naturel conversationnel. Il n'a pas été explicitement entraîné pour le raisonnement ou l'alignement ; le raisonnement en plusieurs étapes et l'arithmétique sont signalés comme étant faibles.

• Aucune rétroaction fiable. Le « mm-hm » qui signale qu'un humain est toujours à l'écoute n'est pas systématiquement traité.

• Il vous coupera la parole au milieu d'une phrase. Les notes de la branche mentionnent l'interruption de l'utilisateur lors d'une pause en milieu de phrase, ainsi que la « continuation incontrôlée / auto-discussion », parmi les modes de défaillance connus — le coût direct d'un encodeur avec zéro contexte à droite.

• Pièces calmes uniquement. Explicitement inadapté aux environnements bruyants ou réverbérants, en particulier là où des paroles se font entendre en arrière-plan. Cela exclut la plupart des plateaux de centres d’appels et la plupart des voitures.

Qui devrait réellement télécharger ceci

Les chercheurs travaillant sur la modélisation de la parole en duplex sont ceux qui en profitent le plus, et devraient s'y tourner : un checkpoint ouvert de 11B avec un canal fonctionnel d'appel d'outils, entraîné sur environ 550 000 heures d'audio mixte réel et synthétique, est un bien meilleur point de départ que de réimplémenter à partir de l'article SALM-Duplex. La licence de recherche n'est pas une contrainte pour ce travail.

Les équipes qui créent des agents vocaux devraient lire la carte et ignorer le téléchargement. Tout ce que vous apprenez d'un checkpoint float32 de 44 Go que vous ne pouvez pas déployer ne changera pas votre architecture, et la véritable leçon des benchmarks est que le full duplex de bout en bout n'est pas encore compétitif avec un bon modèle hébergé sur ce que les utilisateurs remarquent le plus, à savoir si l'assistant les a compris. En attendant, la décision judicieuse est de construire sur un endpoint hébergé et de garder la bascule peu coûteuse — une clé pour plus de 200 modèles avec bascule automatique signifie qu'un incident chez le fournisseur ne fait pas tomber votre ligne téléphonique en plein appel, et que passer plus tard à un modèle open source full duplex relève d'un changement de configuration plutôt que d'une réécriture.

Les entreprises qui s'intéressent spécifiquement à cela devraient demander l'accès anticipé à Nemotron 3 VoiceChat plutôt que de construire à partir des poids Hugging Face. C'est ce programme qui héberge la licence déployable, les conteneurs de référence et la revendication de moins de 300 ms. Le point de contrôle public est un aperçu de recherche de la même idée, publié sans la paperasse qui vous permettrait de l'utiliser.

Trois questions que ce dépôt continuera de recevoir

Puis-je l'utiliser commercialement si je l'affine en profondeur ? Non. OpenMDW v1.1, ainsi que la mention « à des fins de recherche uniquement » de la fiche, régit les poids et tout ce qui en est dérivé ; la licence Apache-2.0 de la branche GitHub couvre le code d'inférence, pas le checkpoint. Le fine-tuning ne blanchit pas une licence. Si ce sont des droits commerciaux dont vous avez besoin, le programme d'accès anticipé est la voie que NVIDIA a effectivement mise en place pour cela.

S'agit-il du même modèle que celui des classements ? Même famille, presque certainement ; artefact identique, non confirmé. Les entrées du classement et d'Artificial Analysis sont enregistrées sous le nom « Nemotron 3 VoiceChat (V1) » à 12B, le checkpoint téléchargeable mesure 11.095B, et NVIDIA n'a rien publié pour les concilier. Utilisez les chiffres du classement comme la meilleure indication indépendante disponible sur la lignée, et non comme une mesure vérifiée du fichier sur Hugging Face.

Pourra-t-il fonctionner sur une carte plus petite que 80 Go ?Probablement, avec du travail, et personne n'a publié de preuve. Les poids sont en float32, donc une conversion en bfloat16 devrait faire passer environ 44 Go de paramètres à environ 22 Go, ce qui laisse une vraie marge sur une carte de 48 Go avant de prendre en compte le cache KV, le codec et les tampons de streaming. Mais la voie prise en charge est vLLM sur un H100 à 80 Go, le conteneur de déploiement est construit pour cela, et la seule configuration testée que NVIDIA rapporte est celle-là. Prévoyez du temps, pas seulement de la VRAM.

Que regarder

Trois choses changeraient chacune la lecture de cette version. Un rapport technique, ou même une fiche qui cesse de se contredire, nous dirait si le checkpoint 11B est l'artefact mesuré par les classements. Une reproduction indépendante de la latence — quelqu'un en dehors de NVIDIA confirmant les 448 ms de prise de parole sur son propre matériel — ferait de l'affirmation la plus séduisante de cette version non plus un argument marketing, mais un fait. Et une licence commerciale, ou un point de terminaison hébergé par n'importe qui, ferait passer ce projet d'une curiosité cantonnée au papier à une véritable option pour les nombreuses équipes qui échangeraient volontiers un peu de qualité de raisonnement contre un agent vocal interruptible.

Jusqu'à ce que l'un de ceux-ci voie le jour, la description exacte est étroite mais véritablement remarquable : NVIDIA a publié le checkpoint vocal full-duplex ouvert le plus performant jamais mesuré, lui a offert le premier canal d'appel d'outils fonctionnel dans cette catégorie, l'a placé sous une licence empêchant quiconque de le commercialiser, et a refusé de mentionner que tout cela s'était produit.