Nemotron 3.5 Transcribe: uji bahasa, GPU, dan biaya penyuntingan sebelum dipakai

NVIDIA memperkenalkan Nemotron 3.5 Transcribe pada 28 Oktober 2026 sebagai model berbobot terbuka untuk mengolah rekaman suara. Satu model menangani transkripsi, terjemahan, identifikasi bahasa, penandaan pembicara, dan cap waktu kata dengan instruksi bahasa alami. Kemampuan itu berguna untuk rapat, wawancara, kelas, dan arsip layanan pelanggan, tetapi hasilnya tetap bergantung pada bahasa, mikrofon, aksen, tumpang tindih suara, serta aturan naskah yang dipakai organisasi.

Penilaian model ini berpusat pada kecocokan tugas dan rekaman nyata, bukan jumlah bahasa pada halaman promosi. NVIDIA menjelaskan bahwa model ini menangani transkripsi dalam 40 bahasa dan terjemahan 31 bahasa ke atau dari bahasa Inggris, sementara penandaan pembicara memiliki cakupan yang berbeda. Sebelum penerapan, tim perlu menguji kualitas, kapasitas GPU, lisensi, penyimpanan, dan waktu koreksi dalam satu rancangan kerja.

Satu model, beberapa tugas yang tidak sama

Nemotron 3.5 Transcribe adalah speech-augmented language model, yaitu model bahasa yang menerima representasi audio dari encoder suara. Pengguna bisa meminta bentuk verbatim, bentuk tertulis yang lebih rapi, transkripsi dengan konteks, penanda pembicara, terjemahan, atau jawaban atas isi audio. Model ini ditujukan untuk rekaman sampai satu jam, bukan layanan pengenalan suara langsung.

Instruksi bisa menyebut istilah yang diperkirakan muncul, bentuk angka, atau gaya penulisan. Daftar istilah hanya menjadi petunjuk; model tidak otomatis membuktikan bahwa nama perusahaan, obat, orang, atau produk memang terdengar seperti itu. Karena itu, permintaan “gunakan istilah berikut bila didukung audio” lebih aman daripada memerintahkan model mengisi semua istilah yang diberikan.

Bahasa Indonesia perlu diperlakukan sebagai sasaran uji, bukan diasumsikan setara dengan bahasa yang memiliki hasil benchmark publik. Percakapan yang mencampur Bahasa Indonesia dengan bahasa Inggris, Jawa, Sunda, atau istilah teknis mungkin menghasilkan kesalahan yang berbeda dari rekaman satu bahasa. Dialek, kecepatan bicara, kualitas mikrofon, dan percakapan yang saling menimpa juga mengubah hasil.

Kelancaran teks bukan bukti akurasi

Transkrip yang enak dibaca bisa tetap salah pada bagian yang paling penting bagi organisasi. Nama pembicara, angka, tanggal, alamat, kode produk, dan istilah khusus perlu dihitung terpisah dari kesalahan kata rata-rata. Penanda pembicara hanya menunjukkan pergantian suara dalam file. Fitur itu tidak mengenali nama atau memastikan siapa orang yang hadir.

Contoh kelas yang dipublikasikan oleh NVIDIA dan Agora menunjukkan alur pascarekaman: audio diproses setelah kelas selesai, lalu kata dan cap waktu ditampilkan bersama pemutaran ulang. Tulisan teknis NVIDIA di Hugging Face menyebut penggunaan cap waktu kata untuk mengikuti isi kelas saat rekaman diputar kembali. Demonstrasi tersebut tidak membuktikan latensi atau kestabilan untuk teks langsung dalam rapat besar.

Kasus penyesuaian untuk audio medis juga perlu dibaca sesuai konteksnya. NVIDIA melaporkan penurunan word error rate dari 22,44 persen menjadi 12,17 persen pada pembicara yang ditahan untuk pengujian, setelah penyesuaian pada data suara medis. Angka itu mengukur data, prompt, pemisahan pembicara, dan penilai tertentu. Hasil tersebut tidak boleh dipindahkan begitu saja ke rapat umum, pusat panggilan, atau rekaman Bahasa Indonesia.

Masalah code-switching memerlukan sampel uji terpisah. Studi HiACC di PubMed melaporkan bahwa model ASR yang dilatih pada data monolingual mengalami word error rate sekitar 42 persen pada pengujian Hinglish. Temuan itu bukan skor Nemotron dan bukan data Indonesia, tetapi menunjukkan mengapa audio yang berganti bahasa di tengah kalimat harus masuk sampel uji sendiri.

GPU, format model, dan lisensi perlu diperiksa bersama

Halaman resmi NVIDIA menyediakan checkpoint BF16, FP8, NVFP4, dan GGUF. Format tersebut bukan sekadar pilihan ukuran file. Perbedaan presisi bisa mengubah kebutuhan memori, perangkat yang kompatibel, kerangka inferensi, dan mutu keluaran. Dokumentasi NVIDIA mencantumkan dukungan untuk vLLM, NeMo Speech, serta checkpoint dengan format yang berbeda; setiap kombinasi tetap perlu diuji pada GPU sasaran.

Jumlah parameter aktif yang lebih kecil tidak sama dengan kebutuhan memori seluruh layanan. Bobot, cache, encoder audio, batch, panjang rekaman, dan proses pemuatan model ikut memakai memori. Catat waktu pemuatan, latensi persentil ke-50 dan ke-95, jumlah audio per jam, pemakaian memori, kegagalan, serta waktu untuk mengulang pekerjaan. Uji dengan beban bersamaan jika beberapa pengguna akan mengirim audio pada waktu yang sama.

Model berbobot terbuka juga tidak berarti semua komponen bebas dari syarat. Lisensi checkpoint, kode inferensi, tokenizer, data penyesuaian, dan komponen pihak ketiga dapat memiliki ketentuan berbeda. Daftar versi dan pemilik persetujuan perlu disimpan sebelum model masuk layanan. Untuk organisasi yang menerbitkan naskah, hasil audio, transkrip, dan log koreksi sebaiknya memiliki aturan retensi yang berbeda.

Bagaimana di Indonesia

Di Indonesia, keputusan memakai model transkripsi perlu dimulai dari jenis rekaman dan alasan pemrosesannya, bukan dari pertanyaan apakah model itu “bisa berjalan” pada satu GPU. Rekaman rapat bisa memuat nama, suara, jabatan, nomor telepon, alamat surel, isi kontrak, atau informasi pelanggan. JDIH Kementerian Komunikasi dan Digital memuat UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi. Organisasi perlu memetakan data yang masuk, tujuan penggunaan, pihak yang mengakses hasil, lama penyimpanan, dan cara menghapus audio serta transkrip ketika tujuan itu selesai.

Pemrosesan lokal mengurangi pengiriman audio ke penyedia eksternal, tetapi tidak menghapus kewajiban tata kelola. Server tetap memiliki operator, akun administrator, cadangan, log, dan jalur pemindahan berkas. Jika audio diproses melalui endpoint yang di-host pihak lain, kontrak dan dokumentasi layanan perlu menjelaskan lokasi pemrosesan, subprosesor, retensi, penghapusan, dan penanganan insiden. Tim hukum atau privasi perlu menentukan dasar pemrosesan sesuai kasusnya; artikel ini tidak menetapkan dasar yang cocok untuk semua organisasi.

Ketersediaan model di Indonesia juga bukan sama dengan ketersediaan kapasitas produksi. Checkpoint tersedia melalui repositori resmi yang ditautkan NVIDIA, tetapi organisasi harus memeriksa ukuran berkas, lisensi, format GPU, kebutuhan penyimpanan, serta keaslian salinan. Jangan menyamakan akses ke GPU kampus, laboratorium, atau penyedia awan dengan jaminan bahwa versi tertentu mendukung Bahasa Indonesia, transkripsi simultan, atau jumlah pengguna tertentu. Pertanyaan itu harus dijawab melalui dokumentasi penyedia dan uji penerimaan sendiri.

Untuk tim yang bekerja dengan Bahasa Indonesia, sampel penerimaan sebaiknya mencakup rapat dengan aksen dan jarak mikrofon berbeda, istilah hukum atau teknis yang memang dipakai, angka yang dibacakan, percakapan dua bahasa, serta pembicara yang saling memotong. Buat transkrip acuan secara manual untuk sebagian sampel. Hitung kesalahan kata, angka, nama diri, istilah, cap waktu, dan label pembicara secara terpisah. Simpan juga menit penyuntingan per jam audio karena itulah beban yang sering hilang dari perbandingan GPU.

Jalur pemeriksaan lokal dimulai dari laman resmi NVIDIA dan Hugging Face untuk model serta lisensi, lalu JDIH Komdigi untuk dokumen hukum. Jika organisasi memakai penyedia awan, minta dokumen lokasi pusat data dan penghapusan data; jika memakai server sendiri, tetapkan penanggung jawab akses dan pemulihan. Sampai artikel ini disusun, kami belum menemukan matriks resmi Indonesia yang menetapkan dukungan Nemotron untuk Bahasa Indonesia atau bahasa daerah. Oleh sebab itu, klaim ketersediaan atau harga yang tidak tercantum di dokumen penyedia harus diperlakukan sebagai hal yang belum terverifikasi.

Uji penerimaan harus mengukur seluruh alur

Mulai dengan audio yang memiliki izin penggunaan dan buat transkrip acuan sebelum model dijalankan. Bandingkan Nemotron dengan proses yang sekarang dipakai dalam kondisi sama. Jangan hanya mengukur waktu inferensi. Masukkan waktu mengunggah, memuat model, memeriksa hasil, memperbaiki istilah, mengekspor format, menyimpan berkas, dan mengulang kegagalan.

1. Tetapkan keluaran: pisahkan verbatim, bentuk tertulis, terjemahan, cap waktu, dan label pembicara. Tentukan perlakuan untuk angka, singkatan, istilah, dan kata pengisi.
2. Susun sampel: masukkan bahasa sasaran, aksen, pergantian bahasa, suara bertumpuk, audio jauh, dan kebisingan yang benar-benar muncul dalam pekerjaan.
3. Hitung kesalahan: catat word error rate, kesalahan istilah dan angka, salah label pembicara, pergeseran cap waktu, latensi, memori GPU, dan menit koreksi manusia.
4. Tetapkan jalur gagal: hasil yang berisiko harus masuk pemeriksaan manusia, sementara audio yang gagal diproses harus kembali ke alur lama tanpa kehilangan berkas sumber.
5. Uji setelah perubahan: ulangi sampel ketika checkpoint, driver, kerangka inferensi, prompt, atau perangkat keras berubah.

Keputusan akhir sebaiknya membandingkan penghematan kerja dengan biaya GPU, listrik, penyimpanan, integrasi, keamanan, dan penyuntingan. Nemotron 3.5 Transcribe layak masuk daftar kandidat untuk pemrosesan rekaman bila sampel organisasi menunjukkan mutu yang cukup. Untuk siaran langsung, rekaman yang memuat keputusan hukum, atau arsip yang tidak boleh salah, bukti penerimaan harus lebih kuat daripada satu leaderboard atau demonstrasi produk.

Pertanyaan umum

Apakah Nemotron 3.5 Transcribe mendukung Bahasa Indonesia?

Halaman resmi menyatakan dukungan lintas banyak bahasa, tetapi dukungan tiap tugas dan hasil pada audio organisasi tidak sama. Uji rekaman Bahasa Indonesia, istilah internal, aksen, dan format keluaran yang dibutuhkan sebelum membuat keputusan.

Apakah penanda pembicara mengenali peserta rapat?

Tidak. Fitur tersebut memisahkan suara atau giliran bicara dalam rekaman. Nama dan identitas peserta tetap harus diperiksa melalui catatan rapat atau orang yang hadir, bukan disimpulkan dari label model.

Apakah model ini bisa dipakai untuk subtitle langsung?

Dokumentasi NVIDIA memosisikannya untuk audio yang direkam. Demo kelas yang tersedia memproses audio setelah kegiatan selesai. Kebutuhan subtitle langsung memerlukan pengujian jalur streaming, batas latensi, kestabilan, dan mekanisme koreksi yang tidak dibuktikan oleh alur pascarekaman.