NVIDIA fusionne transcription, traduction et reconnaissance des voix dans un seul modèle
— AUDIOVISUEL
Nemotron 3.5 Transcribe traite une réunion ou une interview et restitue transcription, traduction et attribution des voix sans chaîner plusieurs outils. La diarisation reste fragile dès que les voix se chevauchent, ce qui limite la promesse sur les tournages à plusieurs intervenants.
Un monteur qui livre des sous-titres multilingues pour une série d'interviews de marque jongle aujourd'hui avec plusieurs logiciels : un pour transcrire, un autre pour traduire, un troisième pour repérer qui parle. Nemotron 3.5 Transcribe, publié par NVIDIA, propose de faire tenir ces trois étapes dans un seul modèle, piloté par une simple instruction écrite en langage courant.
Le public naturel de cet outil, c'est le monteur ou le motion designer chargé du dérushage et du sous-titrage sur des contenus parlés : témoignages clients, tables rondes filmées, podcasts de marque. Demander une transcription mot pour mot pour l'archive, puis une version nettoyée pour les sous-titres, à partir du même enregistrement, évite de relancer deux outils différents. Les horodatages au mot près facilitent ensuite le calage dans un logiciel de montage.
La limite se voit sur les conversations à plusieurs voix qui se chevauchent, le cas typique d'une table ronde filmée avec plusieurs micros. Sur ce type d'enregistrement, un mot sur trois reste mal attribué au bon intervenant selon les mesures publiées. Une réunion de production avec plusieurs personnes qui se coupent la parole continuera donc d'exiger une relecture humaine avant diffusion.
Le modèle traite des fichiers déjà enregistrés, pas un flux en direct, ce qui le range du côté de la post-production plutôt que du sous-titrage live d'un événement. Les poids sont ouverts et la licence autorise un usage commercial, ce qui change la donne pour un studio qui facture aujourd'hui des minutes de transcription à un prestataire externe : l'internaliser devient une option concrète, à condition d'avoir la machine pour le faire tourner.
La vraie force de l'annonce tient moins au score de reconnaissance brut qu'à la variété de sorties obtenues sur un même enregistrement, sans reconstruire une chaîne d'outils à chaque brief. Pour un studio qui produit beaucoup d'interviews ou de contenus parlés en plusieurs langues, tester ce modèle sur un rush réel avant le prochain livrable de sous-titrage vaut largement l'essai.