Besprechungen mitschreiben, Sprachnachrichten in Text umwandeln, Interviews übersetzen: Nvidia hat am 28. Oktober 2026 mit Nemotron 3.5 Transcribe ein offenes KI-Modell (das „Gehirn“ hinter einer KI) veröffentlicht, das genau das in einem einzigen Programm erledigt. „Offen“ heißt: Jeder darf es kostenlos herunterladen und nutzen. Man kann es auch lokal betreiben (also auf dem eigenen Computer statt im Internet).

Was das Modell kann

  • Transkription in 40 Sprachen (Transkription = gesprochene Sprache wird automatisch in geschriebenen Text umgewandelt), darunter Deutsch und Spanisch.
  • Übersetzen: 31 Sprachen von und nach Englisch.
  • Sprechererkennung (die KI erkennt, wer gerade spricht, und schreibt den Namen oder „Sprecher 1, 2 …“ davor): bis zu acht Personen pro Aufnahme, in 13 Sprachen.
  • Lange Aufnahmen: bis zu einer Stunde, auf Wunsch mit Zeitstempeln (genauer Uhrzeit in der Aufnahme) für jedes Wort.
  • Steuerbar per Anweisung: Man schreibt einfach, was man braucht – etwa „Schreib alles mit und markiere die Sprecher“ oder „Welche Entscheidungen wurden in diesem Meeting getroffen?“. Fachwörter kann man vorher als Liste mitgeben, damit sie richtig geschrieben werden.

Technisch ist das Modell groß, arbeitet aber sparsam: Bei jedem Schritt nutzt es nur einen kleinen Teil seiner Rechenkraft. Laut Nvidia ist es in der Rangliste „Open ASR“ (ein Vergleich von Programmen zur Spracherkennung) das beste offene Modell für Englisch: Nur etwa 5 von 100 Wörtern werden falsch erkannt.

Offen heißt: Daten können im Haus bleiben

Das Modell steht auf Hugging Face (eine große Online-Plattform, auf der KI-Modelle geteilt werden) und ModelScope zum Herunterladen bereit, unter einer offenen Lizenz (Nutzungsbedingungen) namens OpenMDW-1.1. Wer möchte, betreibt es selbst – laut Nvidia auch in einer verkleinerten Version auf Nvidias eigenen KI-Computern für den Schreibtisch (DGX Spark, RTX Spark). Alternativ kann man es über Online-Anbieter wie Baseten oder DeepInfra nutzen. Dazu veröffentlicht Nvidia mit Granary v2 eine große Sammlung von Sprachaufnahmen, mit der man das Modell auf die eigene Fachsprache trainieren kann. In einem Test mit medizinischer Fachsprache machte es danach fast die Hälfte weniger Fehler.

Anwendungsfälle

  • Meeting-Protokolle mit Namen der Sprecher und einer Liste der Entscheidungen.
  • Kundengespräche in mehreren Sprachen festhalten – praktisch etwa für Teams zwischen Deutschland und Südamerika.
  • Interviews und Podcasts in Text umwandeln und übersetzen.
  • Branchen mit vielen Fachwörtern (Medizin, Recht, Immobilien): Mit einer Begriffsliste oder Nachtraining wird das Modell genauer.
  • Vertrauliche Aufnahmen auf dem eigenen Rechner verarbeiten statt in der Cloud (auf fremden Servern im Internet).

Kritischer Blick

Die Bestwerte sind Angaben von Nvidia aus ausgewählten Tests. Wie gut das Modell mit deutschem Dialekt, Hintergrundlärm oder schlechter Handy-Qualität klarkommt, ist nicht unabhängig geprüft. Live mitschreiben, während jemand spricht, kann es ausdrücklich nicht – nur fertige Aufnahmen. Für den Betrieb auf dem eigenen Rechner braucht man eine starke Grafikkarte (ein Computerbauteil, das KI schnell rechnen lässt) und technisches Wissen. Und wie bei jeder KI gilt: Namen, Zahlen und Sprecherwechsel immer stichprobenartig mit der Aufnahme vergleichen. Wer Gespräche aufzeichnet, braucht außerdem die Erlaubnis aller Beteiligten.

Fazit

Nemotron 3.5 Transcribe vereint Mitschreiben, Übersetzen, Sprechererkennung und Fragen zur Aufnahme in einem offenen Modell. Für Firmen mit eigener Technik ist das eine ernsthafte Alternative zu bezahlten Online-Diensten. Für alle anderen lohnt sich ein Test in der Online-Demo, bevor man ein Abo für eine Mitschreib-App verlängert.

Quellen