Nvidia Nemotron 3.5 Transcribe: AI Transkripsi 40 Bahasa 2026

Nvidia kembali menambah amunisi di arena AI suara. Pada 28 Oktober 2026, perusahaan itu merilis Nemotron 3.5 Transcribe, sebuah model open-weight gratis yang mengubah rekaman suara menjadi teks dalam hingga 40 bahasa. Bukan sekadar alat transkripsi biasa, model ini dirancang untuk pekerjaan nyata: rapat panjang, wawancara, kuliah, hingga pencatatan medis yang selama ini memakan waktu berjam-jam bila diketik manual.

Yang menarik bukan hanya jumlah bahasanya: sebagai model open-weight, ia bisa dipakai pengembang untuk membangun aplikasi sendiri dan disesuaikan dengan kosakata tiap industri.

Bukan Sekadar Mengubah Suara Menjadi Teks

Transkripsi yang baik tidak cukup hanya menuliskan kata demi kata. Dalam rapat sungguhan, orang saling menyela, berbicara bergantian, dan kadang tertawa atau berhenti di tengah kalimat. Nemotron 3.5 Transcribe diklaim mampu membedakan hingga delapan pembicara dalam satu rekaman, sehingga hasil transkripnya tidak menjadi satu blok teks tanpa identitas. Bagi siapa pun yang pernah membaca notulen rapat tanpa tahu siapa berkata apa, kemampuan ini terasa sangat praktis.

Model ini juga sanggup menangani rekaman hingga satu jam lamanya. Artinya, satu sesi diskusi, satu episode podcast, atau satu kuliah tamu bisa diproses dalam sekali jalan tanpa harus dipotong-potong manual terlebih dahulu. Ditambah lagi, Nvidia menyebut model ini bisa menerjemahkan 31 bahasa ke dan dari bahasa Inggris, sehingga rekaman berbahasa asing tidak lagi berhenti sebagai teks yang sulit dipahami tim lain.

Nvidia mengklaim performanya mengungguli pesaing pada tolok ukur Open ASR Leaderboard di Hugging Face. Angka itu patut dibaca dengan catatan, karena performa di lapangan bisa berbeda tergantung kualitas rekaman, aksen, dan kebisingan sekitar mikrofon.

Satu Chip, dari Robot Sampai Pusat Data

Di balik kemampuannya, Nemotron 3.5 Transcribe adalah model berukuran 30 miliar parameter. Angka itu terbilang besar, tetapi Nvidia menjanjikan model ini tetap bisa berjalan pada satu chip saja. Rentangnya pun luas: dari pengontrol robot Jetson AGX Thor dan chip DGX Spark yang menggerakkan laptop baru, sampai chip pusat data Blackwell.

Fleksibilitas ini menentukan di mana transkripsi bisa dilakukan: di perangkat lokal, pengguna punya kendali lebih besar atas data rekaman, hal yang penting bagi perusahaan yang menangani percakapan sensitif.

Model ini melanjutkan lini suara terbuka Nvidia setelah Parakeet yang jauh lebih kecil, 1,1 miliar parameter.

Dibuat untuk Rapat dan Dunia Medis

Nvidia secara terang menyebut dua sasaran utama: aplikasi rapat bisnis dan transkripsi medis. Keduanya adalah wilayah di mana AI suara sudah lama dipakai, tetapi juga wilayah di mana kesalahan kecil bisa berakibat besar. Salah dengar satu angka dalam rapat bisa mengubah keputusan, salah catat satu istilah medis bisa mengubah riwayat pasien. Karena itu, kemampuan menyesuaikan model menjadi kunci.

Di sinilah peran Granary versi 2, yaitu dataset ucapan sumber terbuka Nvidia yang ikut diperbarui bersamaan dengan peluncuran ini, serta perkakas NeMo Speech. Pengembang disebut bisa memanfaatkan keduanya untuk menyesuaikan aplikasi agar mengenali jargon khusus tiap industri dan tiap bahasa. Sebuah klinik, misalnya, punya kosakata yang sangat berbeda dengan ruang rapat perusahaan logistik, dan model generik sering tersandung di sana.

Batasan yang Perlu Diketahui Sejak Awal

Ada satu batasan yang patut dicatat sebelum terlalu bersemangat: Nemotron 3.5 Transcribe bekerja dengan rekaman, bukan siaran langsung. Jadi, ia cocok untuk mengubah rekaman rapat, podcast, atau wawancara menjadi teks setelah acara selesai, tetapi bukan untuk membuat teks berjalan secara real-time selama siaran berlangsung. Bagi tim yang membutuhkan caption langsung, ini bukan alat yang tepat, setidaknya untuk saat ini.

Batasan lain bersifat praktis. Kualitas transkripsi sangat bergantung pada kualitas audio. Rekaman dengan banyak suara latar, mikrofon jauh, atau pembicara yang berbicara bersamaan akan tetap menjadi tantangan, secanggih apa pun modelnya. Pengguna yang serius sebaiknya menguji model ini dengan rekaman mereka sendiri, bukan hanya mengandalkan angka tolok ukur.

Isu privasi juga tidak boleh dilupakan. Rekaman suara adalah data pribadi yang sensitif. Perusahaan yang memakai transkripsi AI perlu memastikan rekaman disimpan dengan aman, aksesnya dibatasi, dan data yang tidak lagi diperlukan dihapus sesuai kebijakan. Kemudahan mengubah suara menjadi teks tidak boleh membuat organisasi lalai menjaga kerahasiaan percakapan.

Foto: Christina Morillo via Pexels — rapat adalah salah satu penggunaan utama transkripsi AI.

Kenapa Ini Relevan untuk Indonesia

Bagi pembaca di Indonesia, kabar ini relevan bukan karena teknologinya terdengar futuristis, melainkan karena masalah yang ia selesaikan sangat sehari-hari. Kreator podcast menghabiskan waktu berjam-jam menyalin wawancara menjadi artikel. Mahasiswa dan jurnalis mengetik ulang hasil wawancara. Tim kecil di usaha mikro, kecil, dan menengah mencatat hasil diskusi dengan pelanggan lewat pesan suara. Semua pekerjaan itu melelahkan, berulang, dan rawan salah ketik.

Bila model terbuka seperti ini bisa dipakai pengembang lokal, peluangnya terbuka lebar: aplikasi transkripsi dengan harga lebih terjangkau, fitur yang disesuaikan dengan kebutuhan usaha kecil, hingga perkakas bantu untuk dokumentasi kelas dan seminar. Manfaat nyata baru terasa bila bahasa dan aksen sehari-hari didukung dengan baik, dan itu hanya bisa dibuktikan lewat pengujian langsung.

Momentum pasarnya juga sedang panas. Pada bulan yang sama, Mistral merilis Voxtral 3, ElevenLabs meluncurkan Realtime untuk suara instan di agen suara, dan Salesforce memperkenalkan Launa-Omni. Persaingan yang ramai seperti ini biasanya menguntungkan pengguna: harga makin kompetitif, kualitas makin membaik, dan pilihan makin banyak.

Pada akhirnya, Nemotron 3.5 Transcribe bukan tentang menggantikan manusia yang mendengarkan, melainkan mengembalikan waktu manusia. Rapat tetap butuh manusia untuk memutuskan, wawancara tetap butuh manusia untuk bertanya, dan pasien tetap butuh manusia untuk merawat. Yang diubah AI hanyalah bagian paling membosankan dari rantai itu: mengubah suara menjadi teks yang rapi, bisa dicari, dan bisa dipakai kembali. Dan bila bagian itu beres, manusia bisa kembali ke pekerjaan yang memang hanya bisa dilakukan manusia.