Contexte technique
J'ai testé le Nemotron 3.5 ASR Streaming 0.6B après des retours de collègues et j'ai vite compris les forces et les faiblesses du modèle. Pour l'automatisation IA des appels, l'idée est séduisante : seulement 600M de paramètres, mode streaming, faible latence annoncée et un seul checkpoint pour 40 locales, dont ru-RU et uk-UA.
Du côté matériel, le modèle est vraiment agréable. NVIDIA le présente comme un ASR streaming cache-aware avec une haute concurrence, et via l'API, on peut l'utiliser sans infrastructure lourde auto-hébergée. Il existe des modes de latence d'environ 80 ms à 1,12 s, avec une ponctuation et des majuscules correctes par défaut.
Mais c'est là que ça coince : le support linguistique dans la fiche du modèle et la qualité réelle de transcription ne sont pas la même chose. Pour le russe et l'ukrainien, NVIDIA ne montre quasiment aucun chiffre WER public, ce qui était déjà un signal d'alarme. Si on se fie au champ des locales supportées, tout va bien. Si on fait passer de la parole réelle, surtout avec accent, bruit de fond ou rythme rapide, cela devient triste.
Autre point important : l'expression « peut même fonctionner dans le navigateur » semble trop optimiste. Dans un navigateur, on peut facilement appeler un endpoint distant, mais le modèle ne tourne pas nativement comme un jouet web léger. L'inférence nécessite NeMo, CUDA et une configuration serveur correcte, à moins d'utiliser l'API hébergée.
Impact sur les affaires et l'automatisation
Ma conclusion pratique est simple. Si vous construisez une IA vocale pour du trafic anglophone ou un prototype multilingue, le modèle peut être intéressant pour son coût, sa vitesse et sa densité de ressources.
Mais si votre charge principale est ru/ukr, la reconnaissance médiocre tue tout le traitement aval : résumés d'appels, extraction d'entités, contrôle qualité, intégration IA avec le CRM. Une erreur d'ASR se propage ensuite dans toute la chaîne et fait de l'automatisation une simple imitation coûteuse d'utilité.
Les équipes qui ont besoin d'une base de streaming bon marché et qui sont prêtes à valider honnêtement les langues sur leurs propres données en sortent gagnantes. Celles qui prennent le support multilingue de la fiche modèle comme une garantie de qualité prête pour la production en sortent perdantes.
Chez Nahornyi AI Lab, nous tranchons généralement très vite : d'abord tester sur de vrais appels, ensuite développer la solution IA autour de la transcription, et non l'inverse. Si vos processus vocaux bloquent justement à ce niveau, nous pouvons analyser la pile ensemble et construire une automatisation IA sans jolis compromis inutiles.