NVIDIA stellt ein offenes Modell vor, das Aufnahmen in 40 Sprachen abtippt und Sprecher unterscheidet, Deutsch ist dabei. Was der Hersteller sagt, was dafür nötig ist und was du vor dem Einsatz prüfst.
NVIDIA hat am 28. Oktober 2026 ein offenes Modell veröffentlicht, das gesprochene Aufnahmen in Text umwandelt, Sprecher unterscheidet und auf eigener Hardware laufen kann. Wir haben den Blogbeitrag und die Modellkarte gelesen und trennen, was der Hersteller angibt, was dafür nötig ist und was für Betriebe gilt. Zur Transparenz: Wir arbeiten in der Redaktion selbst mit Claude von Anthropic. Den Anstoß gab der Newsletter TLDR vom 29. Oktober 2026.
Das Modell heißt Nemotron 3.5 Transcribe und steht mit offenen Gewichten auf Hugging Face. Laut NVIDIA transkribiert es 40 Sprachen, übersetzt 31 davon von und nach Englisch und ordnet in 13 Sprachen Sätze den Sprechern zu. Es verarbeitet Aufnahmen bis zu einer Stunde mit bis zu acht Sprechern und lässt sich per Anweisung in normaler Sprache steuern, etwa „beschrifte jeden Sprecher“ oder mit einer Liste von Fachwörtern. Die Modellkarte nennt Deutsch mit Transkription, Übersetzung, Sprecherzuordnung bei mehreren Sprechern und Sprachmischung, in der Stufe „Leading“. Auf den öffentlichen Testsätzen FLEURS und CoVoST2 gibt NVIDIA für Deutsch Wortfehlerraten von 2,73 und 2,98 Prozent an.
Die Lizenz ist laut Modellkarte die OpenMDW-Lizenz 1.1, das Modell sei für kommerzielle und nichtkommerzielle Nutzung gedacht. Es hat 34 Milliarden Parameter, davon etwa 4,3 Milliarden aktiv. Als Hardware nennt die Karte Rechenzentrumskarten wie A100 und H100 sowie die Karte RTX 5090. Quantisierte Versionen für kleinere Rechner und eine lokale Variante kündigt NVIDIA als „bald“ an. Alternativ gibt es gehostete Zugänge bei Anbietern wie Baseten und DeepInfra. Das Modell ist für fertige Aufnahmen gedacht, nicht für Live-Untertitel.
Alle Zahlen stammen von NVIDIA, wir haben nichts getestet. Die genannten Testsätze sind öffentliche Datensätze, nicht dein Telefonat mit Dialekt, Hintergrundlärm und Kundennamen. Die Modellkarte nennt als Risiken selbst Fehler wie ausgelassene oder erfundene Wörter, falsche Sprache und falsch zugeordnete Sprecher und empfiehlt gezielte Tests bei langen Aufnahmen, sich überlappenden Sprechern, Lärm und Namen.
Ab hier gilt: Das ist unsere Einschätzung, keine Studie. Erstens: Teste mit deinen eigenen Aufnahmen. Nimm zehn Minuten aus deinem Alltag mit Fachwörtern, Namen und Zahlen, nur mit Einverständnis aller Sprechenden und ohne Kundendaten, und vergleiche Namen und Zahlen von Hand mit dem Gehörten. Zweitens: Kläre, wo das Modell läuft. Auf eigener Hardware bleibt die Aufnahme im Haus, das kostet aber eine starke NVIDIA-Karte und jemanden, der sie betreut. Bei einem gehosteten Zugang geht die Aufnahme zu einem Anbieter, dann gelten Vertrag und Datenschutz wie bei jedem Cloud-Dienst.
Drittens: Einwilligung und Löschung zuerst. In Deutschland brauchst du für die Aufnahme eines Gesprächs das Einverständnis aller Beteiligten, vorher und nachweisbar, wie in unserem Beitrag zu MAI-Transcribe-2. Das ist keine Rechtsberatung. Lösche Aufnahmen, sobald das Protokoll fertig ist, und prüfe Beschlüsse und Sprecherzuordnung im Protokoll, bevor sie jemand als Aussage nutzt.
Für die meisten kleinen Betriebe ist ein fertiger Dienst mit Auftragsverarbeitungsvertrag der kürzere Weg, weil Einrichtung und Betrieb entfallen. Ein eigenes Modell lohnt sich eher, wenn Aufnahmen den Betrieb nicht verlassen dürfen und du die Technik betreuen kannst. Ob Deutsch in deinem Alltag so gut klappt wie auf den Testsätzen, zeigt nur dein eigener Test.
Drei Minuten: Suche eine zehnminütige Aufnahme aus deinem Alltag heraus, bei der alle Beteiligten zugestimmt haben und kein Kundenname fällt. Drei Minuten: Lass sie mit dem Dienst oder Modell deiner Wahl abtippen, lade keine echten Kundendaten in öffentliche Demos. Zwei Minuten: Vergleiche zehn Namen und Zahlen mit dem Gehörten. Zwei Minuten: Notiere, wo die Aufnahme verarbeitet wurde und wer sie wieder löscht.
NVIDIA bringt ein offenes Transkriptionsmodell, das Deutsch kann und Sprecher unterscheidet. Für Betriebe heißt das nicht, dass jede Besprechung jetzt ohne Cloud abgetippt wird, sondern dass es eine weitere Möglichkeit gibt, bei der die Aufnahme im Haus bleiben kann, wenn die Technik dafür da ist.
Mit eigenen Aufnahmen testen, den Ort klären, Einwilligung und Löschung regeln. Das ist unsere Einschätzung, keine Studie.
Quellen: NVIDIA auf Hugging Face, „Nemotron 3.5 Transcribe and Granary v2“ (28. Oktober 2026) und die Modellkarte; Anlass: TLDR vom 29. Oktober 2026. Das Modell haben wir nicht getestet, alle Angaben zu Sprachen, Fehlerraten und Hardware sind Herstellerangaben.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Wir klären mit dir, ob ein fertiger Dienst oder ein eigenes Modell zu deinem Betrieb passt, und testen mit deinen Aufnahmen.