Dari audio ke pekerjaan yang bisa ditindaklanjuti
Nemotron 3.5 Transcribe adalah model kecerdasan buatan untuk mengubah rekaman suara menjadi teks, mengenali pembicara, menerjemahkan audio, dan menjawab pertanyaan tentang isinya. Dirilis NVIDIA pada 28 Oktober 2026, model ini lebih menarik sebagai alat kerja daripada sekadar mesin transkripsi audio AI: pengguna bisa meminta hasil yang langsung berguna, misalnya daftar keputusan rapat. Dalam satu proses, model dapat mendeteksi ucapan, menyusun transkrip, memberi label pembicara, lalu merespons pertanyaan lewat instruksi teks.
Perbedaan itu penting. Transkrip mentah masih mengharuskan seseorang memilah keputusan, tugas, dan konteks dari percakapan panjang. Dengan perintah seperti “Keputusan apa saja yang diambil dalam rapat ini?”, Nemotron 3.5 Transcribe menawarkan jalur lebih singkat dari rekaman ke rangkuman kerja. Namun, hasilnya tetap perlu diperiksa manusia—terutama untuk memastikan keputusan atau penanggung jawab tidak keliru ditangkap.
Bahasa Indonesia tersedia, tetapi tingkat dukungannya perlu dicermati
Model ini mendukung transkripsi dalam 40 bahasa, termasuk bahasa Indonesia. Artinya, rekaman berbahasa Indonesia dapat diubah menjadi teks; model juga dapat menangani percakapan yang mencampur bahasa Indonesia dan bahasa lain, seperti bahasa Inggris. Bagi tim yang biasa memakai istilah asing di tengah rapat, kemampuan tersebut membuatnya lebih relevan daripada sistem yang menganggap percakapan harus berlangsung dalam satu bahasa.
Tetapi label dukungannya bukan jaminan bahwa semua fungsi sama matang di setiap bahasa. Bahasa Indonesia tercantum sebagai “Supported” untuk transkripsi, kategori terendah dari tiga tingkat yang dijelaskan pada halaman model. Terjemahan untuk bahasa Indonesia juga belum tersedia. Jadi, nilai yang paling jelas saat ini adalah transkripsi bahasa Indonesia dan ekstraksi informasi berbasis perintah, bukan alur penerjemahan menyeluruh.
Cakupan diarisasi pembicara lebih sempit: atribusi ucapan ke pembicara didukung dalam 13 bahasa, dibandingkan 40 bahasa untuk transkripsi. Perbedaan ini penting bagi rapat multibahasa. Model mungkin dapat mengenali kata-katanya, tetapi pengguna tidak seharusnya menganggap pelabelan siapa yang berbicara tersedia dengan cakupan yang sama luas.
Tolok ukur mengesankan, batas pemakaian tetap nyata
Klaim teknis yang paling berarti bukan hanya banyaknya bahasa, melainkan kemampuan menggabungkan transkripsi dan diarisasi dalam satu sistem. Dalam tolok ukur multi-pembicara yang dilaporkan NVIDIA, rata-rata cpWER Nemotron 3.5 Transcribe mencapai 15,80, dibandingkan 16,83 untuk gabungan DiCoW v3.3 dan DiariZen. Angka ini memberi alasan untuk menguji apakah satu model dapat menggantikan susunan pengenal ucapan dan perangkat diarisasi yang terpisah. Namun, hasil tolok ukur bukan bukti bahwa performa akan sama pada setiap rekaman nyata.
Batas yang paling langsung bagi pengguna adalah ketiadaan streaming: model bekerja dengan berkas rekaman, bukan menghasilkan transkrip langsung saat rapat berlangsung, dan menangani audio hingga satu jam per proses. Karena itu, ia lebih cocok untuk mengolah rekaman setelah rapat daripada menjadi teks langsung untuk percakapan berjalan. Model ini juga berukuran besar dan berorientasi pada penerapan pengembang, bukan aplikasi ringan yang otomatis tersedia bagi semua pengguna.
Kesimpulan: transkrip baru bernilai saat berubah menjadi keputusan
Nemotron 3.5 Transcribe patut diperhatikan karena menggeser tujuan transkripsi dari menyalin ucapan menuju mengekstrak pekerjaan: keputusan, ringkasan, atau jawaban atas pertanyaan tentang rekaman. Dukungan bahasa Indonesia membuka pintu untuk penggunaan lokal, sementara dukungan 40 bahasa dan hasil diarisasi dalam tolok ukur memberi dasar kuat untuk dicoba.
Tetap ada syarat yang tidak bisa diabaikan: dukungan diarisasi hanya mencakup 13 bahasa, terjemahan bahasa Indonesia belum tersedia, dan model tidak menyediakan streaming. Kesimpulannya, ini bukan pengganti universal bagi semua alur rapat, tetapi merupakan langkah praktis menuju transkripsi yang menghasilkan keluaran lebih berguna. Untuk pekerjaan pascarapat, kemampuan meminta daftar keputusan bisa lebih berharga daripada sekadar memperoleh halaman transkrip.
