NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeNemotron 3.5 Transcribe — речевая модель NVIDIA с открытыми весами, выпущенная 28 октября 2026 года. Она превращает записанную речь в текст на 40 языках и сама определяет язык; для 31 из них умеет переводить на английский и с английского, а также размечает до 8 спикеров. На APIMODELS это одна модель nemotron-3.5-transcribe (работают и nemotron-3-5-transcribe, nemotron-transcribe, nvidia/nemotron-3-5-transcribe) на эндпоинте аудиозадач, и это первая здесь модель распознавания речи: результат — текст, а не аудиофайл. Передайте audio_url: общедоступный для скачивания файл MP3, WAV, M4A, AAC, FLAC, OGG, Opus или WebM, видео MP4 или MOV со звуковой дорожкой либо data URI. Один запрос принимает до 60 минут и до 200 MB. С timestamps: true полный файл результата содержит для каждого слова время начала, время конца и метку спикера (в китайском — для каждого иероглифа). Параметр target_language возвращает перевод вместо расшифровки; качество гарантируется только тогда, когда одна из сторон — английский, и совмещать его с timestamps нельзя (такой запрос вернёт 400). Вызов асинхронный: вы получаете taskId, опрашиваете GET /v1/audio/generations?task_id= или передаёте callback_url, а затем читаете text, duration и transcript_url из resultJson; файл результата хранится 30 дней. В нашем собственном тесте 47-секундная английская запись разговора двух человек с включёнными таймкодами вернулась примерно за 4 секунды: 143 слова, у каждого время начала и конца и метка спикера. Модель подходит для протоколов совещаний и интервью с разбивкой по спикерам, субтитров, собранных по таймкодам слов, разбора записей звонков поддержки и продаж, архивов лекций и звонков по отчётности с поиском по тексту, перевода многоязычных записей в английский текст и подготовки расшифровок для поиска или для передачи языковой модели; для живых субтитров и голосовых ассистентов в реальном времени она не подходит. Ограничения, о которых стоит знать заранее: это офлайн-расшифровка целого файла, а не потоковое распознавание в реальном времени; спикеры с похожими голосами могут быть объединены в одного; время конца слова обычно точно до десятков миллисекунд, а время начала может расходиться примерно на полсекунды, заметнее всего в английском; при повторной расшифровке того же аудио отдельные слова могут отличаться; в китайском тексте иностранные имена часто передаются транслитерацией, а часть чисел записывается иероглифами; и не каждая задача завершается успешно — например, если ссылку не удаётся скачать или в файле нет декодируемого звука. Оплата — $0.0025 за минуту аудио ($0.15 за час), пропорционально длительности, округлённой вверх до целой секунды: 10 минут — $0.025, полный 60-минутный файл — $0.15. Таймкоды, метки спикеров и перевод не оплачиваются отдельно. Минимальная единица суммы — $0.0001, всё, что меньше, оплачивается как $0.0001 (аудио примерно до 2 секунд). Файл, длительность которого не удаётся определить, отклоняется с ошибкой 400 без списания, а неудачные задачи не оплачиваются.
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
Речь в текст на 40 языках
Расшифровывает записанную речь и сам определяет язык: от английского, китайского, японского и корейского до арабского, хинди, тайского и вьетнамского
Таймкоды слов и спикеры
С включённым timestamps файл результата содержит время начала и конца и метку спикера для каждого слова, до 8 спикеров
Перевод на английский и с английского
Укажите target_language и получите перевод вместо расшифровки: 31 язык на английский или с английского на них
До 60 минут в одном файле
MP3, WAV, M4A, AAC, FLAC, OGG, Opus или WebM либо видео MP4 / MOV со звуковой дорожкой, до 200 MB
Оплата только за успех
Неудачные задачи не оплачиваются, а файл, длительность которого не удаётся определить, отклоняется с ошибкой 400 до списания
$0.0025 за минуту аудио
Посекундный расчёт: 10 минут — $0.025, 60 минут — $0.15. Таймкоды, метки спикеров и перевод без доплаты
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.
О модели Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe — это API категории «распознавание речи» от NVIDIA. Nemotron 3.5 Transcribe — речевая модель NVIDIA с открытыми весами, выпущенная 28 октября 2026 года. Она превращает записанную речь в текст на 40 языках и сама определяет язык; для 31 из них умеет переводить на английский и с английского, а также размечает до 8 спикеров. На APIMODELS это одна модель nemotron-3.5-transcribe (работают и nemotron-3-5-transcribe, nemotron-transcribe, nvidia/nemotron-3-5-transcribe) на эндпоинте аудиозадач, и это первая здесь модель распознавания речи: результат — текст, а не аудиофайл. Передайте audio_url: общедоступный для скачивания файл MP3, WAV, M4A, AAC, FLAC, OGG, Opus или WebM, видео MP4 или MOV со звуковой дорожкой либо data URI. Один запрос принимает до 60 минут и до 200 MB. С timestamps: true полный файл результата содержит для каждого слова время начала, время конца и метку спикера (в китайском — для каждого иероглифа). Параметр target_language возвращает перевод вместо расшифровки; качество гарантируется только тогда, когда одна из сторон — английский, и совмещать его с timestamps нельзя (такой запрос вернёт 400). Вызов асинхронный: вы получаете taskId, опрашиваете GET /v1/audio/generations?task_id= или передаёте callback_url, а затем читаете text, duration и transcript_url из resultJson; файл результата хранится 30 дней. В нашем собственном тесте 47-секундная английская запись разговора двух человек с включёнными таймкодами вернулась примерно за 4 секунды: 143 слова, у каждого время начала и конца и метка спикера. Модель подходит для протоколов совещаний и интервью с разбивкой по спикерам, субтитров, собранных по таймкодам слов, разбора записей звонков поддержки и продаж, архивов лекций и звонков по отчётности с поиском по тексту, перевода многоязычных записей в английский текст и подготовки расшифровок для поиска или для передачи языковой модели; для живых субтитров и голосовых ассистентов в реальном времени она не подходит. Ограничения, о которых стоит знать заранее: это офлайн-расшифровка целого файла, а не потоковое распознавание в реальном времени; спикеры с похожими голосами могут быть объединены в одного; время конца слова обычно точно до десятков миллисекунд, а время начала может расходиться примерно на полсекунды, заметнее всего в английском; при повторной расшифровке того же аудио отдельные слова могут отличаться; в китайском тексте иностранные имена часто передаются транслитерацией, а часть чисел записывается иероглифами; и не каждая задача завершается успешно — например, если ссылку не удаётся скачать или в файле нет декодируемого звука. Оплата — $0.0025 за минуту аудио ($0.15 за час), пропорционально длительности, округлённой вверх до целой секунды: 10 минут — $0.025, полный 60-минутный файл — $0.15. Таймкоды, метки спикеров и перевод не оплачиваются отдельно. Минимальная единица суммы — $0.0001, всё, что меньше, оплачивается как $0.0001 (аудио примерно до 2 секунд). Файл, длительность которого не удаётся определить, отклоняется с ошибкой 400 без списания, а неудачные задачи не оплачиваются. Через платформу APIMODELS доступ к этой модели идёт по единому API с прозрачной оплатой по факту использования. Текущая цена: 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.
Похожая модель: Grok Voice 3.0 — когда нужен живой двусторонний голосовой диалог, а не расшифровка записи — речь в речь в реальном времени по WebSocket, $0.104/мин
Похожая модель: AI Dubbing — когда нужна запись, переозвученная на другом языке, а не текстовый перевод
Похожая модель: Voice Isolator — когда запись шумная — сначала выделите голос, затем расшифруйте очищенный файл
Ключевые возможности
- Речь в текст на 40 языках -- Расшифровывает записанную речь и сам определяет язык: от английского, китайского, японского и корейского до арабского, хинди, тайского и вьетнамского
- Таймкоды слов и спикеры -- С включённым timestamps файл результата содержит время начала и конца и метку спикера для каждого слова, до 8 спикеров
- Перевод на английский и с английского -- Укажите target_language и получите перевод вместо расшифровки: 31 язык на английский или с английского на них
- До 60 минут в одном файле -- MP3, WAV, M4A, AAC, FLAC, OGG, Opus или WebM либо видео MP4 / MOV со звуковой дорожкой, до 200 MB
- Оплата только за успех -- Неудачные задачи не оплачиваются, а файл, длительность которого не удаётся определить, отклоняется с ошибкой 400 до списания
- $0.0025 за минуту аудио -- Посекундный расчёт: 10 минут — $0.025, 60 минут — $0.15. Таймкоды, метки спикеров и перевод без доплаты
Сценарии использования
Закадровый голос и дикторская начитка
Профессиональная озвучка для видео, анимации и рекламы с большим выбором голосов.
Производство подкастов
Быстро собрать аудио для подкаста, в том числе с диалогом нескольких говорящих.
Аудиокниги
Превратить текст в естественную, связную речь для выпуска аудиокниг.
Многоязычный дубляж
Дубляж и перевод на разные языки, чтобы контент дошёл до аудитории по всему миру.
Почему APIMODELS
- Единый API — один ключ на все модели, не нужно регистрироваться на нескольких площадках
- Прозрачные цены — оплата по факту использования, стоимость вызова указана на странице каждой модели; удобно независимым разработчикам и небольшим командам
- Доступ сразу — можно начинать сразу после регистрации; оплата картой, через PayPal, Alipay или в USDT
- Полная документация — подробная документация API с примерами на cURL, Python и Node.js
Частые вопросы
Чем APIMODELS отличается от официального API NVIDIA?
APIMODELS отдаёт ту же самую модель Nemotron 3.5 Transcribe через свою агрегирующую платформу. Мы предоставляем единый интерфейс API, поэтому отдельные аккаунты у каждого поставщика не нужны — один ключ открывает доступ ко всем моделям.
Что такое API Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe — речевая модель NVIDIA с открытыми весами, выпущенная 28 октября 2026 года, а API Nemotron 3.5 Transcribe превращает записанный аудио- или видеофайл в текст. Модель расшифровывает 40 языков и сама определяет язык, может добавить таймкоды каждого слова с метками спикеров (до 8 человек) и переводит между английским и ещё 31 языком. На apimodels.app это одна модель nemotron-3.5-transcribe на POST /v1/audio/generations, $0.0025 за минуту аудио; неудачные задачи не оплачиваются.
Какие языки поддерживает Nemotron 3.5 Transcribe? Есть ли русский?
Да, русский есть. Расшифровка работает на 40 языках с автоопределением: английский, китайский (путунхуа), японский, корейский, французский, немецкий, испанский, португальский, итальянский, русский, нидерландский, польский, чешский, словацкий, хинди, болгарский, хорватский, датский, эстонский, финский, венгерский, латышский, литовский, румынский, словенский, шведский, тайский, турецкий, украинский, арабский, бенгальский, греческий, иврит, индонезийский, мальтийский, маратхи, тагальский, тамильский, телугу и вьетнамский. 31 из них можно переводить на английский и с английского. Параметр исходного языка передавать не нужно.
Какие аудио- и видеофайлы принимает Nemotron 3.5 Transcribe?
Аудио MP3, WAV, M4A, AAC, FLAC, OGG, Opus и WebM либо видео MP4 или MOV со звуковой дорожкой. Файл передаётся в audio_url: ссылка, по которой его может скачать кто угодно, или data URI. Один запрос принимает до 60 минут и до 200 MB; более длинные записи разрежьте и отправьте частями. Файл, длительность которого не удаётся определить, отклоняется с ошибкой 400 до списания.
Как получить таймкоды слов и метки спикеров?
Отправьте timestamps: true. В результате задачи по-прежнему будет полный text, а в файле по адресу transcript_url (он же resultUrls[0]) появятся words — список {word, start, end, speaker}, сегменты diarization и text_with_speakers. Различается до 8 спикеров; китайский возвращается по одному иероглифу. В нашем тесте 47-секундная английская запись разговора двух человек вернулась со 143 словами, у каждого время начала и конца и метка спикера. Таймкоды и метки спикеров не оплачиваются отдельно.
Умеет ли Nemotron 3.5 Transcribe переводить речь?
Да. Укажите в target_language один из 32 поддерживаемых кодов (en, zh, ja, ko, fr, de, es и другие), и вместо расшифровки вернётся перевод. Качество гарантируется только тогда, когда одна из сторон — английский: с другого языка на английский или с английского на один из этих языков. Прямой перевод между двумя неанглийскими языками не гарантируется. Перевод нельзя совмещать с timestamps: true — такой запрос вернёт 400. Перевод входит в поминутную цену.
Поддерживает ли Nemotron 3.5 Transcribe распознавание в реальном времени?
Нет. Модель расшифровывает записанный файл целиком в офлайн-режиме: вы создаёте задачу, затем опрашиваете её или ждёте колбэк. В нашем тесте 47-секундный клип с таймкодами был готов примерно за 4 секунды, но это одно измерение, а не обещание задержки, и частичные результаты по ходу обработки не передаются. Для живого двустороннего голосового диалога на apimodels.app есть Grok Voice 3.0.
Насколько точен Nemotron 3.5 Transcribe и какие у него ограничения?
Модель рассчитана на чистую записанную речь, и несколько ограничений стоит учесть заранее. Спикеры с похожими голосами могут быть объединены в одного. Время конца слова обычно точно до десятков миллисекунд, а время начала может расходиться примерно на полсекунды, заметнее всего в английском. При повторной расшифровке того же аудио отдельные слова могут отличаться. В китайском тексте иностранные имена часто передаются транслитерацией, а часть чисел записывается иероглифами. Если в результате есть truncated: true, вывод упёрся в лимит (обычно из-за повторов) — его лучше отбросить или проверить вручную; silent: true означает, что речи почти не найдено.
Чем Nemotron 3.5 Transcribe отличается от Whisper large-v3 по точности?
По доле ошибок в словах (WER, чем ниже, тем лучше), которую NVIDIA опубликовала в техническом отчёте от 28 октября 2026 года, Nemotron 3.5 Transcribe опережает Whisper-large-v3 во всех четырёх сравнениях: 4.71% против 6.66% в среднем по 9 английским наборам Open ASR; 10.98% против 13.92% на длинных записях (среднее по Earnings21/22 и CORAAL); 7.81% против 13.63% на записях совещаний AMI; 4.62% против 7.94% в среднем по 7 языкам (немецкий, французский, итальянский, испанский, португальский, нидерландский, хинди). Это данные NVIDIA, результаты сравниваемой модели взяты из Hugging Face Open ASR Leaderboard; apimodels.app эти замеры не проводил. В этих трёх таблицах у модели самая низкая средняя ошибка среди моделей с открытыми весами; в том же отчёте есть коммерческие системы, которые показывают лучший результат на длинных и многоязычных записях.
Технический отчёт NVIDIA Nemotron 3.5 Transcribe (таблицы 6, 7, 9) ↗Сколько стоит API Nemotron 3.5 Transcribe?
$0.0025 за минуту аудио, то есть $0.15 за час, пропорционально длительности, округлённой вверх до целой секунды. Клип на 47 секунд стоит около $0.002, 10 минут — $0.025, 30 минут — $0.075, файл на 60 минут — $0.15. Таймкоды слов, метки спикеров и перевод включены в цену. Минимальная единица суммы — $0.0001, всё, что меньше, оплачивается как $0.0001 (аудио примерно до 2 секунд). Неудачные задачи и файлы, длительность которых не удаётся определить, не оплачиваются.
Как вызвать API Nemotron 3.5 Transcribe и получить результат?
Зарегистрируйтесь на apimodels.app и создайте API-ключ: один ключ и один баланс в долларах работают для всех моделей. Затем отправьте: 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}'. В ответе придёт taskId. Опрашивайте GET /v1/audio/generations?task_id=, пока state не станет completed, затем один раз разберите resultJson через JSON.parse и прочитайте text, duration и transcript_url. Файл результата хранится 30 дней.
Можно ли попробовать Nemotron 3.5 Transcribe бесплатно?
Подходящие новые аккаунты получают $0.10 пробного баланса — при цене $0.0025 за минуту этого хватает примерно на 40 минут аудио. Дальше оплата по факту использования, без подписки; минимальное пополнение — $10. В песочнице на этой странице можно загрузить файл или вставить ссылку: она покажет ориентировочную цену по длительности аудио до запуска и вернёт расшифровку текстом, который можно скопировать.
Что умеет Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe поддерживает: 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. Полный список параметров и примеры вызовов — в документации APIMODELS.
Можно ли пользоваться API Nemotron 3.5 Transcribe из России?
Со своей стороны APIMODELS не ограничивает доступ по странам: сайт и API принимают запросы откуда угодно, в том числе из России. Nemotron 3.5 Transcribe вызывается одним ключом APIMODELS, отдельный аккаунт у разработчика модели не нужен. Пополнить баланс можно в USDT, через PayPal или международной картой — подробности в вопросе об оплате.
Как оплатить Nemotron 3.5 Transcribe из России? Какие способы оплаты есть?
Баланс ведётся в долларах США. Пополнить его можно в USDT в сетях TRON (TRC20) или BNB Smart Chain (BEP20), через PayPal, международной картой Visa, Mastercard и других систем (через Stripe) или через Alipay. Карта, PayPal и Alipay зачисляются сразу, USDT — после подтверждения перевода в сети. Можно включить автопополнение. За пополнение на $50 начисляем бонус $1, на $100 — $3. Подписки нет, списание идёт по факту использования.