NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeNemotron 3.5 Transcribe는 NVIDIA가 2026년 10월 28일 공개한 오픈 웨이트 음성 모델입니다. 녹음된 음성을 40개 언어로 받아쓰고 언어는 스스로 감지합니다. 그중 31개 언어는 영어와 상호 번역할 수 있고, 화자 라벨은 최대 8명까지 구분합니다. APIMODELS에서는 오디오 작업 엔드포인트의 모델 ID 하나, nemotron-3.5-transcribe(nemotron-3-5-transcribe, nemotron-transcribe, nvidia/nemotron-3-5-transcribe도 가능)이며, 이 플랫폼의 첫 음성 인식 모델입니다. 결과는 오디오 파일이 아니라 텍스트입니다. 입력은 audio_url 하나로, 공개 다운로드가 가능한 MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM 오디오나 오디오 트랙이 있는 MP4·MOV 영상, 또는 data URI를 보냅니다. 요청 하나에 최대 60분, 200 MB까지 받습니다. timestamps를 true로 하면 전체 결과 파일에 단어마다 시작 시각, 종료 시각, 화자 라벨이 들어갑니다(중국어는 글자 단위). target_language를 지정하면 받아쓰기 대신 번역이 돌아옵니다. 한쪽이 영어일 때만 품질이 보장되며 timestamps와 함께 쓸 수 없습니다(함께 보내면 400). 호출은 비동기입니다. taskId를 받은 뒤 GET /v1/audio/generations?task_id=를 폴링하거나 callback_url을 넘기고, resultJson에서 text, duration, transcript_url을 읽습니다. 결과 파일은 30일 동안 보관됩니다. 자체 테스트에서 두 사람이 대화하는 47초 영어 녹음을 타임스탬프를 켜고 보냈더니 약 4초 만에 돌아왔고, 143개 단어마다 시작·종료 시각과 화자 라벨이 붙어 있었습니다. 잘 맞는 용도는 화자별로 나눈 회의·인터뷰 회의록, 단어 시각으로 만드는 영상·팟캐스트 자막, 고객 상담과 영업 통화 녹음의 품질 점검과 분석, 강의나 실적 발표 같은 긴 오디오의 보관과 검색, 다국어 콘텐츠를 영어 텍스트로 옮기기, 검색용 또는 언어 모델에 넘길 받아쓰기 만들기입니다. 실시간 자막이나 실시간 음성 비서에는 맞지 않습니다. 미리 알아 둘 제한: 파일 전체를 한 번에 처리하는 오프라인 받아쓰기이며 실시간 스트리밍은 지원하지 않습니다. 목소리가 비슷한 화자는 한 명으로 합쳐질 수 있습니다. 단어 종료 시각의 오차는 보통 수십 밀리초지만 시작 시각은 0.5초 정도 어긋날 수 있고, 영어에서 더 두드러집니다. 같은 오디오를 여러 번 받아쓰면 일부 단어가 달라질 수 있습니다. 중국어 결과에서는 외국 인명이 음역되는 경우가 많고 일부 숫자가 한자로 적힐 수 있습니다. 또한 링크를 내려받을 수 없거나 파일에서 소리를 해독할 수 없는 경우처럼 모든 작업이 성공하는 것은 아닙니다. 요금은 오디오 1분당 $0.0025(시간당 $0.15)이며, 초 단위로 올림한 길이에 비례해 계산합니다. 10분은 $0.025, 60분 파일은 $0.15입니다. 타임스탬프, 화자 라벨, 번역에는 추가 요금이 없습니다. 금액의 최소 단위는 $0.0001이고 그보다 작은 금액은 $0.0001로 청구됩니다(약 2초 이하의 오디오). 길이를 읽을 수 없는 파일은 과금 없이 400으로 거절되며, 실패한 작업은 과금되지 않습니다.
Transcribe audio to text
MP3, WAV, M4A, AAC, FLAC, OGG, Opus or WebM, or an MP4 / MOV video with an audio track. The API takes up to 60 minutes and 200 MB by URL; uploads here are limited to 10 MB for audio and 100 MB for video.
Adds a start time, an end time and a speaker label for every word to the full result JSON. No extra charge.
Returns a translation instead of a transcript. Dependable only when English is on one side: another language into English, or English into the language you pick. No extra charge.
$0.0025 per minute of audio ($0.15 per hour), prorated by the second. Timestamps, speaker labels and translation are included. Amounts below $0.0001 are billed $0.0001. Failed tasks are not charged.
Calling it from code? See the API docs.
Transcript
The transcript will appear here as text
40개 언어 음성 받아쓰기
녹음된 음성을 텍스트로 바꾸고 언어를 자동 감지합니다. 영어, 중국어, 일본어, 한국어부터 아랍어, 힌디어, 태국어, 베트남어까지
단어 타임스탬프와 화자
timestamps를 켜면 결과 파일에 단어마다 시작·종료 시각과 화자 라벨이 들어갑니다(최대 8명)
영어와 상호 번역
target_language를 지정하면 받아쓰기 대신 번역이 돌아옵니다. 31개 언어를 영어로, 또는 영어를 그 언어들로
파일 하나에 최대 60분
MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM 또는 오디오 트랙이 있는 MP4 / MOV 영상, 최대 200 MB
성공한 작업만 과금
실패한 작업은 과금되지 않으며, 길이를 읽을 수 없는 파일은 과금 전에 400으로 거절됩니다
오디오 1분당 $0.0025
초 단위 계산: 10분 $0.025, 60분 $0.15. 타임스탬프, 화자 라벨, 번역은 추가 요금 없음
Nemotron 3.5 Transcribe API: speech to text in 40 languages, with timestamps and speakers
Nemotron 3.5 Transcribe is NVIDIA's open-weight speech model, released on 28 October 2026: it takes a recorded audio or video file of up to 60 minutes and returns the transcript as text, in 40 languages with automatic language detection.
On APIMODELS the Nemotron 3.5 Transcribe API is a single model id, nemotron-3.5-transcribe, on POST /v1/audio/generations. A failed Nemotron 3.5 Transcribe task is not charged; a finished one costs $0.0025 per minute of audio, with word timestamps, speaker labels and translation included.
- Model ID
nemotron-3.5-transcribe- Input
- Audio or video, up to 60 min / 200 MB
- Languages
- 40, detected automatically
- Output
- Text + full result JSON
- Billing
- $0.0025 per minute of audio
What Nemotron 3.5 Transcribe does
A speech-to-text model for recorded files: the transcript, who said it, and when.
Speech to text in 40 languages
Language detected automatically
Nemotron 3.5 Transcribe transcribes English, Mandarin Chinese, Japanese, Korean, the major European languages, Arabic, Hindi, Thai, Vietnamese and more, 40 in all. You do not tell it which language the recording is in.
audio_urlWord-level timestamps
A start and end time for every word
With timestamps on, the full result file lists every word with its start and end time, which is what subtitles, search-in-audio and clip cutting are built from. Chinese comes back character by character.
timestampsSpeaker labels
Up to 8 speakers
The same switch adds a speaker label to every word and a list of who spoke when, so a meeting or an interview reads as a dialogue. Speakers with similar voices can be merged into one.
Translation to or from English
31 languages paired with English
Set a target language and Nemotron 3.5 Transcribe returns a translation instead of a transcript. It is dependable when English is on one side; it cannot be combined with timestamps.
target_languageAudio or video in
Up to 60 minutes, 200 MB
MP3, WAV, M4A, AAC, FLAC, OGG, Opus and WebM audio, or an MP4 or MOV video with an audio track, sent as a public link or a data URI. There is no need to extract the audio first.
Text plus a full result file
text, duration, transcript_url
The task result carries the full text and the audio length; transcript_url points to a JSON file with the words, speakers and segments. The file is kept for 30 days.
What Nemotron 3.5 Transcribe is a good fit for
Six jobs it suits, each with what you send, which switch you set and what comes back, plus the one it does not.
Meeting and interview minutes
Send the recording of a call, a meeting or an interview with timestamps: true. You get the full text, plus a result file in which every word carries a speaker label and diarization lists who spoke when, so the transcript can be laid out speaker by speaker.
timestampsSubtitles for video and podcasts
Send the MP4 or MOV itself, or the episode audio, with timestamps: true. Build SRT or VTT cues yourself from the start and end times in words. Start times can drift by about half a second, so check where each cue begins.
timestampswordsSupport calls and sales recordings
Send long, multi-speaker call recordings with timestamps: true. Speaker labels tell apart up to 8 people, so agent and customer turns can be separated for review, keyword checks and analysis. Voices that sound alike can be merged, so spot-check the labels.
Archives of lectures, courses and earnings calls
Send long recordings one file per request, up to 60 minutes and 200 MB each; cut anything longer into parts. The text makes every recording searchable, at $0.15 per hour of audio.
Multilingual content to or from English
Set target_language to en and a talk in Japanese, German or Spanish comes back as English text; or send English audio and pick one of the 31 other languages. The text field holds the translation. Timestamps are not available on translation requests.
target_languageTranscripts for search and LLM summaries
Send voice notes, recordings or media files without extra options and store the returned text. It can be indexed for search, or passed as plain text to one of the language models on apimodels.app, which the same API key and balance also cover.
Live captions and realtime voice assistants
Nemotron 3.5 Transcribe works offline on a whole recorded file and returns nothing until the task finishes, so it cannot caption a live stream or drive a voice assistant. For a live two-way voice conversation, use Grok Voice 3.0.
How the Nemotron 3.5 Transcribe API works
One required field, two optional switches, and limits that are checked before a task is created.
Transcribe
Send the file to POST /v1/audio/generations with model nemotron-3.5-transcribe. Add timestamps: true when you need word times and speakers.
audio_urlRequired. A publicly downloadable audio or video file, or a data URI; up to 60 minutes and 200 MB.timestampsOptional boolean, false by default. True adds word-level times and speaker labels to the full result file.callback_urlOptional. We POST the finished task here; leave it out and poll the GET endpoint.
Translate
Same endpoint and file field; add target_language and the text comes back in that language. Leave timestamps off.
audio_urlRequired, same rules as above.target_languageOne of 32 codes such as en, zh, ja, ko, fr, de, es. Dependable for another language into English, or English into one of these.
| Nemotron 3.5 Transcribe input | Accepted | If it is out of range |
|---|---|---|
| File format | MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM; MP4 or MOV with an audio track | Rejected or the task fails; nothing is charged |
| Length | Up to 60 minutes per request | 400 before a task is created |
| File size | Up to 200 MB | Rejected or the task fails; nothing is charged |
| Readable length | We must be able to measure the audio | 400 before a task is created, no charge |
| timestamps + target_language | One or the other | 400 before a task is created |
| Output | text, duration and transcript_url (full result JSON, kept 30 days) | — |
There is no source-language, prompt or output-format parameter. For SRT or VTT subtitles, request timestamps: true and build the cues from the word times in the result file.
Nemotron 3.5 Transcribe pricing: $0.0025 per minute of audio
One rate, counted on the audio length and prorated by the second.
$0.15
One hour of audio
60 minutes × $0.0025. Word timestamps, speaker labels and translation do not change the price, and failed Nemotron 3.5 Transcribe tasks are not charged.
| Audio length | Nemotron 3.5 Transcribe price |
|---|---|
| 47 s (our test clip) | about $0.002 |
| 1 minute | $0.0025 |
| 10 minutes | $0.025 |
| 30 minutes | $0.075 |
| 60 minutes (maximum per request) | $0.15 |
2-minute voice memo
$0.005
2 min × $0.0025
20-minute podcast segment with speakers
$0.05
20 min × $0.0025, timestamps included
40-minute lecture translated into English
$0.10
40 min × $0.0025, translation included
3-hour workshop, split into three files
$0.45
3 requests × 60 min × $0.0025
How the amount is counted: we read the audio length when the task is created, round it up to the whole second and multiply by the per-minute rate. Amounts are in units of $0.0001, so anything smaller is billed $0.0001 (audio of about 2 seconds or less). If the length cannot be read, the Nemotron 3.5 Transcribe request returns a 400 and nothing is charged.
What we measured with Nemotron 3.5 Transcribe
One run of our own. It is one example, not a promised speed.
Input
47 s of English, two speakers
A short two-person conversation, sent with timestamps: true.
Output
143 words with times and speakers
Every word came back with a start time, an end time and a speaker label, alongside the full text.
Time and price
About 4 seconds, about $0.002
Longer files take longer. Poll every few seconds, or pass callback_url and wait for the result.
Limits of Nemotron 3.5 Transcribe to plan for
What the model does not do, and where its output needs a second look.
Offline only, no realtime streaming
It transcribes a whole recorded file after you submit it. There are no partial results while it runs and no live captioning.
60 minutes and 200 MB per request
Longer recordings have to be split and submitted as separate requests.
Timestamps or translation, not both
Word times and speaker labels exist only for transcripts. A request with timestamps: true and target_language returns a 400.
Similar voices can be merged
Up to 8 speakers are told apart, but two people who sound alike can end up under one label.
Timestamps are approximate
Word end times are usually within tens of milliseconds. Start times can be off by about half a second, more noticeably in English.
Runs are not identical
Transcribing the same audio twice can change a few words. Keep the result you got rather than assuming a rerun will match it.
Chinese names and numbers
In Chinese output, foreign names are often transliterated and some numbers are written as Chinese characters.
Non-English language pairs
Translation is dependable to or from English. Going directly between two other languages is not guaranteed.
How to call the Nemotron 3.5 Transcribe API
From API key to transcript in four steps.
Get an API key
Sign up at apimodels.app and create a key in the console. One key and one USD balance cover Nemotron 3.5 Transcribe and every other model.
Host the recording
Put the audio or video file at a link anyone can download directly. Links behind a login, and temporary links that expire within minutes, make the task fail.
Send the request
POST /v1/audio/generations with model nemotron-3.5-transcribe and audio_url, plus timestamps or target_language if you need them. The response holds a taskId.
Read the transcript
Poll GET /v1/audio/generations?task_id= until the state is completed, or wait for the callback. JSON.parse resultJson once, read text, and fetch transcript_url for the word-level file within 30 days.
curl -X POST https://api.apimodels.app/v1/audio/generations \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "nemotron-3.5-transcribe",
"audio_url": "https://example.com/meeting.mp3",
"timestamps": true
}'
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "nemotron-3.5-transcribe" } }
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# data.resultJson (a JSON string): { "text": "...", "duration": 47.2, "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json" }Why run Nemotron 3.5 Transcribe on apimodels.app
What you can check for yourself, before the price.
Failed tasks are not charged
If a Nemotron 3.5 Transcribe task ends in failed, the charge is returned automatically and the reason is in failMsg.
Bad inputs stop before billing
A missing audio_url, an unreadable file length, a file over 60 minutes, or timestamps combined with translation all return a clear 400 before a task exists.
Async tasks with a callback
Create, then poll the task id or receive the result at callback_url. An hour-long file never holds a connection open.
One API key for every model
The same key and balance call Nemotron 3.5 Transcribe, LLMs, text-to-speech, image and video models, so transcribe-then-summarize needs one integration.
Your own copy of the result file
The full result JSON is stored at transcript_url for 30 days, so you can fetch the word-level data again without re-running the task.
Per-minute pricing, by the second
$0.0025 per minute of audio, measured from your file. Pay as you go, no subscription; the playground shows the estimate before you run it.
Nemotron 3.5 Transcribe vs Whisper-large-v3: word error rate
These are the numbers NVIDIA published in the Nemotron 3.5 Transcribe Technical Report (28 October 2026); they are not our own measurements. The metric is word error rate (WER), the share of words a model gets wrong, so lower is better. NVIDIA takes the baseline figures from the Hugging Face Open ASR Leaderboard.
In the report's English, long-form and multilingual tables, Nemotron 3.5 Transcribe has the lowest average word error rate among the open-weight models listed. It is not first overall: the same report lists commercial systems that score better on long-form and multilingual audio.
| Benchmark | What it covers | Nemotron 3.5 Transcribe | Whisper-large-v3 |
|---|---|---|---|
| Open ASR (average of 9 English test sets) | General English speech | 4.71% | 6.66% |
| Earnings21/22 and CORAAL (average) | Long-form audio | 10.98% | 13.92% |
| AMI | Meeting recordings | 7.81% | 13.63% |
| Average of 7 languages | Multilingual speech | 4.62% | 7.94% |
Source: NVIDIA Nemotron 3.5 Transcribe Technical Report, Table 6 (English), Table 7 (long-form) and Table 9 (multilingual). The 7 languages are German, French, Italian, Spanish, Portuguese, Dutch and Hindi.
For recordings with several speakers, Table 14 of the same report gives cpWER (a word error rate that also counts words assigned to the wrong speaker, lower is better) on whole meeting recordings, macro-averaged over AMI, CALLHOME, Mixer 6 and NOTSOFAR-1: Nemotron 3.5 Transcribe 15.80%, against 16.83% for DiCoW v3.3 + DiariZen-v2.
Sources for Nemotron 3.5 Transcribe
Model facts and benchmark numbers on this page come from NVIDIA's own publications. Prices, limits and the 47-second test are ours.
- NVIDIA Nemotron 3.5 Transcribe Technical Report (28 October 2026) ↗
Word error rates in Tables 6, 7 and 9, and the multi-speaker cpWER in Table 14.
- Nemotron 3.5 Transcribe model card on Hugging Face ↗
Open weights, supported languages and stated limitations.
- NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt (28 October 2026) ↗
NVIDIA's release article on Hugging Face.
- Hugging Face Open ASR Leaderboard ↗
Where the baseline figures in the comparison come from.
Nemotron 3.5 Transcribe 소개
Nemotron 3.5 Transcribe 모델은 NVIDIA의 음성 인식 API입니다. Nemotron 3.5 Transcribe는 NVIDIA가 2026년 10월 28일 공개한 오픈 웨이트 음성 모델입니다. 녹음된 음성을 40개 언어로 받아쓰고 언어는 스스로 감지합니다. 그중 31개 언어는 영어와 상호 번역할 수 있고, 화자 라벨은 최대 8명까지 구분합니다. APIMODELS에서는 오디오 작업 엔드포인트의 모델 ID 하나, nemotron-3.5-transcribe(nemotron-3-5-transcribe, nemotron-transcribe, nvidia/nemotron-3-5-transcribe도 가능)이며, 이 플랫폼의 첫 음성 인식 모델입니다. 결과는 오디오 파일이 아니라 텍스트입니다. 입력은 audio_url 하나로, 공개 다운로드가 가능한 MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM 오디오나 오디오 트랙이 있는 MP4·MOV 영상, 또는 data URI를 보냅니다. 요청 하나에 최대 60분, 200 MB까지 받습니다. timestamps를 true로 하면 전체 결과 파일에 단어마다 시작 시각, 종료 시각, 화자 라벨이 들어갑니다(중국어는 글자 단위). target_language를 지정하면 받아쓰기 대신 번역이 돌아옵니다. 한쪽이 영어일 때만 품질이 보장되며 timestamps와 함께 쓸 수 없습니다(함께 보내면 400). 호출은 비동기입니다. taskId를 받은 뒤 GET /v1/audio/generations?task_id=를 폴링하거나 callback_url을 넘기고, resultJson에서 text, duration, transcript_url을 읽습니다. 결과 파일은 30일 동안 보관됩니다. 자체 테스트에서 두 사람이 대화하는 47초 영어 녹음을 타임스탬프를 켜고 보냈더니 약 4초 만에 돌아왔고, 143개 단어마다 시작·종료 시각과 화자 라벨이 붙어 있었습니다. 잘 맞는 용도는 화자별로 나눈 회의·인터뷰 회의록, 단어 시각으로 만드는 영상·팟캐스트 자막, 고객 상담과 영업 통화 녹음의 품질 점검과 분석, 강의나 실적 발표 같은 긴 오디오의 보관과 검색, 다국어 콘텐츠를 영어 텍스트로 옮기기, 검색용 또는 언어 모델에 넘길 받아쓰기 만들기입니다. 실시간 자막이나 실시간 음성 비서에는 맞지 않습니다. 미리 알아 둘 제한: 파일 전체를 한 번에 처리하는 오프라인 받아쓰기이며 실시간 스트리밍은 지원하지 않습니다. 목소리가 비슷한 화자는 한 명으로 합쳐질 수 있습니다. 단어 종료 시각의 오차는 보통 수십 밀리초지만 시작 시각은 0.5초 정도 어긋날 수 있고, 영어에서 더 두드러집니다. 같은 오디오를 여러 번 받아쓰면 일부 단어가 달라질 수 있습니다. 중국어 결과에서는 외국 인명이 음역되는 경우가 많고 일부 숫자가 한자로 적힐 수 있습니다. 또한 링크를 내려받을 수 없거나 파일에서 소리를 해독할 수 없는 경우처럼 모든 작업이 성공하는 것은 아닙니다. 요금은 오디오 1분당 $0.0025(시간당 $0.15)이며, 초 단위로 올림한 길이에 비례해 계산합니다. 10분은 $0.025, 60분 파일은 $0.15입니다. 타임스탬프, 화자 라벨, 번역에는 추가 요금이 없습니다. 금액의 최소 단위는 $0.0001이고 그보다 작은 금액은 $0.0001로 청구됩니다(약 2초 이하의 오디오). 길이를 읽을 수 없는 파일은 과금 없이 400으로 거절되며, 실패한 작업은 과금되지 않습니다. APIMODELS 플랫폼을 거치면 통합 API와 투명한 종량 과금으로 이 모델을 호출할 수 있습니다. 현재 가격: per minute of audio (billed by the second): $0.0025, 10 minutes: $0.025, 30 minutes: $0.075, 60 minutes (maximum per request): $0.15.
관련 모델: Grok Voice 3.0 — when you need a live two-way voice conversation instead of transcribing a recorded file — realtime speech-to-speech over WebSocket, $0.104/min
관련 모델: AI Dubbing — when you want the recording re-voiced in another language rather than a text translation
관련 모델: Voice Isolator — when the recording is noisy — isolate the voice first, then transcribe the cleaned file
주요 기능
- 40개 언어 음성 받아쓰기 -- 녹음된 음성을 텍스트로 바꾸고 언어를 자동 감지합니다. 영어, 중국어, 일본어, 한국어부터 아랍어, 힌디어, 태국어, 베트남어까지
- 단어 타임스탬프와 화자 -- timestamps를 켜면 결과 파일에 단어마다 시작·종료 시각과 화자 라벨이 들어갑니다(최대 8명)
- 영어와 상호 번역 -- target_language를 지정하면 받아쓰기 대신 번역이 돌아옵니다. 31개 언어를 영어로, 또는 영어를 그 언어들로
- 파일 하나에 최대 60분 -- MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM 또는 오디오 트랙이 있는 MP4 / MOV 영상, 최대 200 MB
- 성공한 작업만 과금 -- 실패한 작업은 과금되지 않으며, 길이를 읽을 수 없는 파일은 과금 전에 400으로 거절됩니다
- 오디오 1분당 $0.0025 -- 초 단위 계산: 10분 $0.025, 60분 $0.15. 타임스탬프, 화자 라벨, 번역은 추가 요금 없음
활용 사례
내레이션과 더빙
영상과 애니메이션, 광고에 쓸 전문가급 내레이션을 다양한 목소리 중에 골라 만듭니다.
팟캐스트 제작
여러 화자의 대화까지 지원해 팟캐스트 오디오를 빠르게 완성합니다.
오디오북 제작
텍스트를 자연스럽고 매끄러운 음성으로 바꿔 오디오북으로 낼 수 있습니다.
다국어 더빙
다국어 더빙과 번역으로 콘텐츠를 전 세계 시청자에게 전달합니다.
APIMODELS를 쓰는 이유
- 통합 API -- 키 하나로 모든 모델에 접근하며, 플랫폼마다 따로 가입할 필요가 없습니다
- 투명한 가격 -- 종량 과금이고 호출당 단가를 모델 페이지마다 공개합니다. 1인 개발자와 스타트업에 알맞습니다
- 바로 사용 -- 가입 직후부터 쓸 수 있고 카드·PayPal·Alipay·USDT로 결제합니다
- 충실한 문서 -- cURL / Python / Node.js 예제를 갖춘 상세한 API 문서를 제공합니다
자주 묻는 질문
APIMODELS와 NVIDIA 공식 API는 무엇이 다른가요?
APIMODELS는 같은 Nemotron 3.5 Transcribe 모델을 집약 플랫폼을 통해 제공합니다. API 인터페이스가 통합되어 있어 공급자마다 계정을 만들 필요가 없고, 키 하나로 모든 모델에 닿습니다.
Nemotron 3.5 Transcribe API란 무엇인가요?
Nemotron 3.5 Transcribe는 NVIDIA가 2026년 10월 28일 공개한 오픈 웨이트 음성 모델이고, Nemotron 3.5 Transcribe API는 녹음된 오디오·영상 파일을 텍스트로 바꿔 줍니다. 40개 언어를 받아쓰고 언어를 자동 감지하며, 단어 단위 타임스탬프와 화자 라벨(최대 8명)을 붙일 수 있고, 영어와 다른 31개 언어 사이의 번역도 됩니다. apimodels.app에서는 POST /v1/audio/generations의 모델 ID 하나, nemotron-3.5-transcribe이며 요금은 오디오 1분당 $0.0025입니다. 실패한 작업은 과금되지 않습니다.
Nemotron 3.5 Transcribe는 한국어를 지원하나요? 지원 언어는?
네, 한국어를 지원합니다. 받아쓰기는 다음 40개 언어에서 동작하며 언어는 자동 감지됩니다: 영어, 중국어(표준어), 일본어, 한국어, 프랑스어, 독일어, 스페인어, 포르투갈어, 이탈리아어, 러시아어, 네덜란드어, 폴란드어, 체코어, 슬로바키아어, 힌디어, 불가리아어, 크로아티아어, 덴마크어, 에스토니아어, 핀란드어, 헝가리어, 라트비아어, 리투아니아어, 루마니아어, 슬로베니아어, 스웨덴어, 태국어, 터키어, 우크라이나어, 아랍어, 벵골어, 그리스어, 히브리어, 인도네시아어, 몰타어, 마라티어, 타갈로그어, 타밀어, 텔루구어, 베트남어. 이 가운데 31개 언어는 영어와 상호 번역할 수 있습니다. 원본 언어 파라미터는 보낼 필요가 없습니다.
Nemotron 3.5 Transcribe는 어떤 오디오·영상 파일을 받나요?
오디오는 MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM, 영상은 오디오 트랙이 있는 MP4와 MOV입니다. audio_url에 누구나 바로 내려받을 수 있는 링크나 data URI를 넣어 보냅니다. 요청 하나에 최대 60분, 200 MB까지이며, 더 긴 녹음은 나눠서 보내세요. 길이를 읽을 수 없는 파일은 과금 전에 400으로 거절됩니다.
단어 단위 타임스탬프와 화자 라벨은 어떻게 받나요?
timestamps: true를 보내면 됩니다. 작업 결과에는 그대로 전체 text가 들어 있고, transcript_url(resultUrls[0]과 동일)의 결과 파일에 words({word, start, end, speaker} 목록), diarization 구간, text_with_speakers가 추가됩니다. 화자는 최대 8명까지 구분하며 중국어는 글자 단위로 돌아옵니다. 자체 테스트에서 두 사람이 대화하는 47초 영어 녹음은 143개 단어로 돌아왔고, 단어마다 시작·종료 시각과 화자 라벨이 붙어 있었습니다. 타임스탬프와 화자 라벨에는 추가 요금이 없습니다.
Nemotron 3.5 Transcribe로 음성을 번역할 수 있나요?
네. target_language에 지원되는 32개 언어 코드(en, zh, ja, ko, fr, de, es 등) 중 하나를 지정하면 받아쓰기 대신 번역문이 돌아옵니다. 품질은 한쪽이 영어일 때만 보장됩니다. 즉 다른 언어를 영어로, 또는 영어를 그 언어들로 옮기는 경우입니다. 영어가 아닌 두 언어 사이의 직접 번역은 보장되지 않습니다. timestamps: true와 함께 쓸 수 없으며, 함께 보내면 400이 돌아옵니다. 번역은 분당 요금에 포함됩니다.
Nemotron 3.5 Transcribe는 실시간(스트리밍) 받아쓰기를 지원하나요?
지원하지 않습니다. 녹음된 파일 전체를 오프라인으로 받아쓰는 방식이라, 작업을 만든 뒤 폴링하거나 콜백을 기다립니다. 자체 테스트에서 타임스탬프를 켠 47초 클립이 약 4초 만에 끝났지만, 이는 한 번의 측정일 뿐 지연 시간을 약속하는 것은 아니며 처리 중에 중간 결과가 스트리밍되지도 않습니다. 실시간 양방향 음성 대화가 필요하면 apimodels.app의 Grok Voice 3.0을 쓰세요.
Nemotron 3.5 Transcribe의 정확도와 알려진 제한은?
또렷하게 녹음된 음성에 맞춰진 모델이며, 몇 가지 제한을 미리 고려해야 합니다. 목소리가 비슷한 화자는 한 명으로 합쳐질 수 있습니다. 단어 종료 시각의 오차는 보통 수십 밀리초지만 시작 시각은 0.5초 정도 어긋날 수 있고, 영어에서 더 두드러집니다. 같은 오디오를 여러 번 받아쓰면 일부 단어가 달라질 수 있습니다. 중국어 결과에서는 외국 인명이 음역되는 경우가 많고 일부 숫자가 한자로 적힐 수 있습니다. 결과에 truncated: true가 있으면 출력이 상한에 닿은 것으로(대개 반복 때문) 버리거나 사람이 검토해야 하고, silent: true는 음성이 거의 감지되지 않았다는 뜻입니다.
Nemotron 3.5 Transcribe와 Whisper large-v3를 비교하면 어떤가요?
NVIDIA가 2026년 10월 28일 기술 보고서에서 공개한 단어 오류율(WER, 낮을수록 좋음) 기준으로 Nemotron 3.5 Transcribe는 네 가지 비교 모두에서 Whisper-large-v3보다 낮습니다. Open ASR 영어 9개 테스트셋 평균 4.71% 대 6.66%, 긴 오디오(Earnings21/22와 CORAAL 평균) 10.98% 대 13.92%, AMI 회의 녹음 7.81% 대 13.63%, 7개 언어 평균(독일어, 프랑스어, 이탈리아어, 스페인어, 포르투갈어, 네덜란드어, 힌디어) 4.62% 대 7.94%입니다. 이 수치는 NVIDIA가 공개한 것이고 비교 모델의 성적은 Hugging Face Open ASR Leaderboard에서 가져온 것으로, apimodels.app이 직접 측정한 값이 아닙니다. 이 세 표에서는 오픈 웨이트 모델 가운데 평균 오류율이 가장 낮습니다. 같은 보고서에는 긴 오디오와 다국어에서 더 좋은 성적을 낸 상용 시스템도 실려 있습니다.
NVIDIA Nemotron 3.5 Transcribe 기술 보고서(표 6, 7, 9) ↗Nemotron 3.5 Transcribe API 가격은 얼마인가요?
오디오 1분당 $0.0025, 즉 시간당 $0.15이며 초 단위로 올림한 길이에 비례해 계산합니다. 47초 클립은 약 $0.002, 10분은 $0.025, 30분은 $0.075, 60분 파일은 $0.15입니다. 단어 타임스탬프, 화자 라벨, 번역은 요금에 포함됩니다. 금액의 최소 단위는 $0.0001이고 그보다 작은 금액은 $0.0001로 청구됩니다(약 2초 이하의 오디오). 실패한 작업과 길이를 읽을 수 없는 파일은 과금되지 않습니다.
Nemotron 3.5 Transcribe API는 어떻게 호출하고 결과를 읽나요?
apimodels.app에 가입해 API 키를 발급받으세요. 키 하나와 USD 잔액 하나로 모든 모델을 쓸 수 있습니다. 그다음 이렇게 보냅니다: curl -X POST https://api.apimodels.app/v1/audio/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "nemotron-3.5-transcribe", "audio_url": "https://example.com/meeting.mp3", "timestamps": true}'. 응답에 taskId가 들어 있습니다. state가 completed가 될 때까지 GET /v1/audio/generations?task_id=를 폴링한 뒤, resultJson을 한 번 JSON.parse해서 text, duration, transcript_url을 읽습니다. 결과 파일은 30일 동안 보관됩니다.
Nemotron 3.5 Transcribe를 무료로 써 볼 수 있나요?
조건을 충족하는 신규 계정은 $0.10의 체험 크레딧을 받으며, 분당 $0.0025 기준으로 약 40분 분량의 오디오에 해당합니다. 그 이후에는 구독 없이 쓴 만큼만 내고, 충전은 $10부터입니다. 이 페이지의 플레이그라운드에서 파일을 올리거나 링크를 붙여 넣으면 실행 전에 오디오 길이로 예상 요금을 보여 주고, 받아쓰기 결과를 복사할 수 있는 텍스트로 돌려줍니다.
Nemotron 3.5 Transcribe 모델로 무엇을 할 수 있나요?
Nemotron 3.5 Transcribe 모델이 지원하는 기능: Speech to Text、40 Languages, Auto-Detected、Word-Level Timestamps、Speaker Labels (up to 8)、Translation to/from English、Audio or Video, up to 60 min、$0.0025 per Minute. 전체 파라미터와 호출 예제는 APIMODELS 문서를 참고하세요.
Nemotron 3.5 Transcribe API를 한국에서도 바로 쓸 수 있나요?
네. APIMODELS는 국가별 접속 제한을 두지 않아 사이트와 API를 어디서든 쓸 수 있습니다. Nemotron 3.5 Transcribe 모델은 APIMODELS 키 하나로 호출하므로 모델 제공사 계정을 따로 만들 필요가 없습니다.
결제 수단은 무엇이 있나요? 해외 결제 카드 말고도 되나요?
해외 결제가 되는 카드(Visa, Mastercard 등, Stripe 결제), PayPal, Alipay, USDT(TRON 네트워크 TRC20, BNB Smart Chain 네트워크 BEP20)를 지원합니다. 카드·PayPal·Alipay는 결제 즉시 잔액에 반영되고, USDT는 블록체인에서 송금이 확인된 뒤 반영됩니다. 자동 충전도 켤 수 있으며, $50 충전 시 $1, $100 충전 시 $3의 보너스가 붙습니다. 잔액과 요금은 달러 기준이고 월 구독료 없이 쓴 만큼만 과금됩니다.