كيفية استخدام NVIDIA Nemotron 3.5 Transcribe مجانًا (أفضل نموذج مفتوح لتحويل الكلام إلى نص)

أطلقت NVIDIA أدق نموذج مفتوح الأوزان لتحويل الكلام إلى نص على لوحة الصدارة Open ASR Leaderboard الخاصة بـ Hugging Face، ويمكنك استخدامه مجانًا اليوم. صدر Nemotron 3.5 Transcribe (بالاسم الكامل NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) في 28 أكتوبر 2026 تحت ترخيص OpenMDW-1.1، الذي يسمح بالاستخدام التجاري. وهذا يعني ثلاث طرق بتكلفة 0 دولار: مساحة العرض التجريبي الخاصة بـ NVIDIA، والأوزان المجانية على وحدة معالجة الرسومات الخاصة بك، ومساحات المجتمع التي تغلّف نفس نقطة التحقق.

يغطي هذا الدليل كل مسار مجاني، وما يمكنه فعله وما لا يمكنه، وأرخص بديل مدفوع عندما يتوقف المجاني عن الكفاية. كل حقيقة مستمدة من بطاقة النموذج الرسمية، ومنشور إطلاق NVIDIA على Hugging Face ولوحة الصدارة Open ASR Leaderboard، وقد قُرئت جميعها في 29 أكتوبر 2026.

إذا كنت تحتاج فقط إلى واجهة API المستضافة، فانتقل إلى دليل واجهة API الخاصة بـ Nemotron 3.5 Transcribe.

هل Nemotron 3.5 Transcribe مجاني؟

نعم، بطريقتين. الأوزان مجانية للتنزيل والترخيص يسمح بالاستخدام التجاري وغير التجاري، لذا فإن الاستضافة الذاتية تكلفك الأجهزة فقط. كما تشغّل NVIDIA مساحة عرض تجريبي مجانية على Hugging Face حيث يمكنك تجربته في المتصفح.

ما ليس مجانيًا: واجهات API المستضافة. تتقاضى DeepInfra 0.002 دولار لكل دقيقة من الصوت ويسعّره OpenRouter بـ 0.000033 دولار لكل ثانية. لا يعرض أي منهما نسخة مجانية. واعتبارًا من 29 أكتوبر 2026، لا يظهر النموذج على build.nvidia.com، حيث تحصل العديد من نماذج NVIDIA على واجهة API تجريبية مجانية. أظهر بحث هناك عن "transcribe" نموذج ASR إسبانيًا واحدًا غير ذي صلة.

لماذا يريده الناس: الأرقام

Nemotron 3.5 Transcribe هو نموذج لغوي معزز بالكلام. يغذّي مشفّر ASR بـ 600 مليون معامل ومشفّر متحدث نموذجًا لغويًا هجينًا من Mamba-2 ومزيج خبراء Transformer. يمتلك 34 مليار معامل إجمالًا، لكن حوالي 4.3 مليار فقط نشطة لكل رمز، ولهذا يعمل على وحدة معالجة رسومات واحدة.

ما يفعله في نقطة تحقق واحدة:

النسخ الصوتي بـ 40 لغة، مع تصنيف 13 منها "رائدة" (الإنجليزية، الإسبانية، الفرنسية، الألمانية، الهندية، الكورية، البرتغالية وغيرها)
تسجيلات تصل إلى ساعة في طلب واحد (سياق من 65,536 رمزًا)
نسبة المتحدثين مع ما يصل إلى ثمانية متحدثين مُوسَّمين
طوابع زمنية على مستوى الكلمة عبر رأس محاذاة CTC
ترجمة الكلام من وإلى الإنجليزية عبر 31 لغة
التحفيز السياقي: مرّر الأسماء والمصطلحات لتهجئتها بشكل صحيح
الإجابة على الأسئلة الصوتية (بالإنجليزية فقط)

على لوحة الصدارة Open ASR Leaderboard، المحدّثة في 28 أكتوبر 2026، يسجل متوسط WER بنسبة 5.33%. وهذا يضعه في المرتبة التاسعة من بين 61 نموذجًا. الثمانية التي تسبقه (Otter، وZoom Scribe v2 Pro، وElevenLabs Scribe v2، وAzure Speech وغيرها) كلها واجهات API مغلقة ومدفوعة. ومن بين النماذج القابلة للتنزيل، لا يوجد ما يحتل مرتبة أعلى. يقع whisper-large-v3 من OpenAI في المرتبة 41 عند 7.16%.

تذكر بطاقة النموذج الخاصة بـ NVIDIA متوسط WER بنسبة 4.71% على المجموعات العامة التسع. أما لوحة الصدارة فتضيف مجموعتين خاصتين للوصول إلى 5.33%، لذا فإن كلا الرقمين صادقان؛ فهما يقيسان مزيجين مختلفين.

حد يجب معرفته قبل أن تبدأ: إنه نموذج غير متصل. ينسخ الملفات المسجلة، وليس بثًا حيًا من الميكروفون.

مقارنة كل مسار مجاني ومدفوع

المسار	التكلفة	تسجيل الدخول	الحدود	الأفضل لـ
مساحة عرض NVIDIA التجريبية (`nvidia/nemotron-transcribe`)	0 دولار	لا	معاينة مدتها 60 ثانية على علامات تبويب العينات؛ قائمة انتظار مشتركة	فحص سريع للجودة
مساحات المجتمع	0 دولار	عادةً لا	يختلف حسب المساحة؛ قد ينام أو يختفي	تجربة واجهات أخرى
الأوزان المستضافة ذاتيًا (BF16 وFP8 وNVFP4)	ترخيص بـ 0 دولار، وحدة معالجة الرسومات الخاصة بك	حساب Hugging Face للتنزيل	بطاقة H100 سعة 80 جيجابايت واحدة لـ BF16؛ البطاقات الأصغر تحتاج FP8 أو NVFP4	نسخ صوتي خاص غير محدود
واجهة DeepInfra	0.002 دولار لكل دقيقة	حساب ومفتاح API	استخدام مدفوع	الإنتاج دون وحدات معالجة رسومات
OpenRouter	0.000033 دولار لكل ثانية	حساب ورصيد	يُوجَّه إلى DeepInfra فقط	مفتاح واحد للعديد من النماذج
build.nvidia.com	غير مُدرج بعد	غير متاح	غير متاح	راقب هذا الحيز

الصفوف الثلاثة الأولى فقط لا تكلف شيئًا.

Diagram of the three $0 routes to Nemotron 3.5 Transcribe (NVIDIA demo Space, community Spaces, self-hosted weights) next to the paid DeepInfra API fallback at $0.002 per minute

المسار المجاني 1: مساحة العرض التجريبي من NVIDIA

أسرع طريقة لتسمع ما يمكن للنموذج فعله هي مساحة NVIDIA الرسمية على huggingface.co/spaces/nvidia/nemotron-transcribe.

Screenshot of NVIDIA's nemotron-transcribe demo Space on the Karaoke tab, showing word-aligned lyrics for a Spanish sample song and the Podcast transcript, Movie subtitles and Ask audio tabs

افتح المساحة في متصفحك. لا حاجة إلى حساب لتحميلها.
اختر علامة تبويب. في 29 أكتوبر 2026 كانت للمساحة ثلاث علامات: Karaoke (كلمات مع توقيت على مستوى الكلمة)، وPodcast transcript (نص منسوب إلى المتحدثين) وMovie subtitles (تعليقات نصية موقوتة).
اختر عينة أو الصق رابطًا، حسبما تسمح علامة التبويب. تشير علامة تبويب Karaoke إلى أن معاينتها تغطي أول 60 ثانية.
شغّله واقرأ المخرجات. يُبرز عرض Karaoke كل كلمة أثناء غنائها، وهو ما يُظهر الطوابع الزمنية على مستوى الكلمة.

تعامل مع المساحة كعرض تجريبي، لا كواجهة API مجانية. تتشارك المساحات العامة وحدات معالجة الرسومات، وتصطفّ الطلبات في قوائم انتظار، ويمكن أن تتغير دون إشعار. لا تبنِ منتجًا على إحداها.

المسار المجاني 2: شغّل الأوزان المفتوحة بنفسك

هذه هي الفئة المجانية الحقيقية: نسخ صوتي غير محدود على الأجهزة التي تملكها بالفعل، دون أن يغادر أي شيء جهازك. الترخيص (OpenMDW-1.1) يسمح بالاستخدام التجاري، لذا يمكنك إدماجه داخل منتج.

العقبة هي الأجهزة. الإعداد المرجعي من NVIDIA هو بطاقة H100 سعة 80 جيجابايت واحدة بوضع BF16. يسرد جدول التوافق في بطاقة النموذج:

BF16: H100، H200، A100 80 جيجابايت، B200، GB200، DGX Spark
FP8: H100، H200، L40S 48 جيجابايت
NVFP4 فقط: RTX 5090 (32 جيجابايت) وRTX PRO 6000 Blackwell

لذا فإن بطاقة RTX 5090 الاستهلاكية تعمل، مع نقطة تحقق NVFP4. أما البطاقات الأقدم بسعة 24 جيجابايت مثل RTX 4090 فليست على القائمة.

أسرع اختبار يحتاج فقط إلى تثبيت Transformers من المصدر:

pip install git+https://github.com/huggingface/transformers

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

inputs = processor.apply_transcription_request("meeting.wav").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=1024)
print(processor.decode(outputs[:, inputs.input_ids.shape[1]:], skip_special_tokens=True))

هذا جيد لعدد قليل من الملفات. أما للدفعات والتسجيلات الطويلة ونقطة نهاية متوافقة مع OpenAI، فشغّله باستخدام vLLM 0.32.0 وإضافة NeMo Speech. يتضمن دليلنا خطوة بخطوة حول تشغيل Nemotron 3.5 Transcribe محليًا أمر التثبيت الدقيق وأمر vllm serve من بطاقة النموذج.

لا تملك وحدة معالجة رسومات محلية؟ استئجار واحدة بالساعة هو أرخص مسار "شبه مجاني" للمخزونات الكبيرة. تقول NVIDIA إن بطاقة RTX PRO 6000 Blackwell واحدة يمكنها معالجة 100 ساعة من الصوت في أقل من ثلاث دقائق باستخدام إصدار NVFP4، مع أن هذا الرقم يستخدم تحسينات تقديم ليست مفتوحة المصدر بعد.

المسار المجاني 3: مساحات المجتمع

تسرد صفحة النموذج عدة مساحات مجتمعية مبنية على نفس نقطة التحقق، بما في ذلك hugging-apps/nemotron-3-5-transcribe وmrfakename/nemotron-3.5-transcribe. وهي مفيدة عندما تكون قائمة انتظار مساحة NVIDIA طويلة أو عندما تريد مربع رفع بسيطًا. يديرها أفراد، لذا توقّع فترات سكون وحصصًا وروابط ميتة من حين لآخر.

أوامر توجيهية تحقق نتائج مجانية أفضل

يقبل Nemotron 3.5 Transcribe تعليمات بلغة طبيعية. هذه مأخوذة من بطاقة النموذج وقائمة DeepInfra. أبقِ أمر النظام فارغًا للنسخ الصوتي واستخدم قيمة الحرارة 0.

نص نظيف ومقروء:

Audio transcription. Language: as spoken. Wording: omit fillers and accidental repetitions; keep the remaining spoken wording unchanged. Formatting: punctuation and capitalization. Output: transcript only.

من قال ماذا:

Transcribe verbatim, including fillers. Write numbers as spoken, without punctuation or capitalization. Start every speaker turn with <spk:0>, <spk:1>, etc. Keep one stable tag per speaker. Output only the speaker-tagged transcript.

أسماء المنتجات والمصطلحات:

Transcribe with punctuation and capitalization. Context terms: Apidog, OpenAPI, Kubernetes, gRPC.

الترجمة:

Please translate the given speech to English.

المصطلحات السياقية مهمة أكثر مما تتوقع. في معيار ContextASR من NVIDIA، ينخفض WER من 3.33% دون أي سياق إلى 1.71% مع سياق دقيق التفاصيل.

عندما لا يكفي المجاني: أرخص مسار مدفوع

إذا كنت لا تملك وحدة معالجة رسومات مدعومة وتحتاج أكثر من عرض تجريبي، فإن واجهة API المستضافة رخيصة. بسعر DeepInfra البالغ 0.002 دولار لكل دقيقة، يكلف تسجيل مدته ساعة واحدة 0.12 دولار، وتكلف 1,000 ساعة 120 دولارًا. أما سعر OpenRouter البالغ 0.000033 دولار لكل ثانية فيُعادل نحو 0.119 دولار لكل ساعة، ويُوجَّه إلى نفس المزوّد.

طلب DeepInfra بأبسط صورة، مأخوذ من صفحة واجهة API الخاصة به:

curl -X POST \
  -H "Authorization: bearer $DEEPINFRA_API_KEY" \
  -F audio=@meeting.mp3 \
  'https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B'

تتضمن الاستجابة text، وsegments مع أوقات البداية والنهاية، وwords، وlanguage المكتشفة. يستعرض دليل واجهة API الخاص بنا المفاتيح وحقول الاستجابة والتكاليف بالتفصيل.

دع وكيل البرمجة الخاص بك يختبر نقطة النهاية باستخدام Apidog CLI

سواء استضفت النموذج ذاتيًا أو استخدمت DeepInfra، فأنت تريد فحصًا يفشل بصوت عالٍ عندما يعود النسخ الصوتي فارغًا أو بلغة خاطئة. أسنِد هذه المهمة إلى وكيل البرمجة الخاص بك وApidog CLI بدلًا من تفحّص JSON بعينك.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick Claude Code, Codex, Cursor or OpenCode

ثم أعطِ وكيلك أمرًا توجيهيًا واحدًا:

In Apidog project <id>, create a test case for POST {{baseUrl}}/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
that uploads samples/hello.mp3 as the "audio" form field, asserts status 200, a non-empty "text",
"language" equal to "en", and at least one item in "words", then run it against the
deepinfra environment and summarize any failures.

يقرأ الوكيل المخطط، ويتحقق من صحة حمولته، ويكتب الحالة ويشغّلها:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

بدّل البيئة لتشير إلى خادمك المحلي عندما تنتقل من واجهة API إلى الاستضافة الذاتية. الأمر نفسه apidog run مع -r junit يندرج في CI؛ راجع تشغيل Apidog CLI في خط أنابيب CI/CD وApidog CLI في Claude Code لمعرفة الإعداد.

حدود يجب معرفتها قبل أن تعتمد عليه

غير متصل فقط. إنه لا يبثّ. تشير NVIDIA إلى نموذج منفصل هو Nemotron 3.5 ASR Streaming للصوت الحي.
الأسئلة والأجوبة الصوتية بالإنجليزية فقط. يغطي النسخ الصوتي 40 لغة، لكن فهم الصوت والتعليمات المنطوقة خُضعا للتقييم بالإنجليزية فقط.
تسميات المتحدثين ليست هويات. <spk:0> تعني "الصوت الأول"، وليس شخصًا مُسمّى.
المخرجات الطويلة تحتاج مساحة. قد تنتج محادثة كثيفة مدتها ساعة نحو 20,000 رمز إخراج، لذا اضبط max_new_tokens وفقًا لذلك.
قد يهلوس. تحذّر البطاقة من أنه قد "يولّد نصًا معقولًا" للصوت غير الواضح. راجع أي شيء قانوني أو طبي.

الأسئلة الشائعة

هل Nemotron 3.5 Transcribe مجاني للاستخدام التجاري؟ نعم. يسمح ترخيص OpenMDW-1.1 بالاستخدام التجاري وغير التجاري للأوزان. أما واجهات API المستضافة فتتقاضى مقابل الحوسبة.

هل يوجد مفتاح API مجاني لـ Nemotron 3.5 Transcribe؟ لا، لم نجد أيًا في 29 أكتوبر 2026. DeepInfra وOpenRouter مدفوعان، وهو ليس على build.nvidia.com بعد. قارن ذلك بـواجهة API المجانية من NVIDIA لـ Nemotron Nano 12B v2 VL، التي حصلت فعلًا على نقطة نهاية تجريبية مجانية.

هل يمكنني تشغيله على جهاز Mac؟ ليس من القائمة الرسمية. تستهدف بيئات التشغيل المدعومة وحدات معالجة رسومات NVIDIA على Linux أو Windows (WSL2). دعم GGML مُدرج لبطاقات RTX 5090 وRTX PRO 6000 فقط.

كيف يقارن بـ Whisper؟ على لوحة صدارة 28 أكتوبر، يسجّل متوسط 5.33% WER مقابل 7.16% لـ whisper-large-v3. راجع دليل واجهة Whisper API لخيار OpenAI المستضاف، وتصنيفنا لأفضل نماذج تحويل الكلام إلى نص مفتوحة المصدر للمجال الكامل.

هل يدعم MP3؟ نعم. يقبل WAV، وFLAC، وMP3، وOGG أو أي صيغة تُفكّ إلى PCM أحادي القناة بمعدل 16 كيلوهرتز. استخدم FFmpeg لتحويل الصيغ الأخرى.

الخلاصة

Nemotron 3.5 Transcribe مجاني حيث يهم الأمر: الأوزان، والترخيص، وعرض NVIDIA التجريبي. جرّب المساحة لفحص الجودة، واستضفه ذاتيًا على H100 أو L40S أو RTX 5090 للاستخدام الخاص غير المحدود، وارجع إلى DeepInfra بسعر 0.12 دولار لكل ساعة عندما لا تملك الأجهزة. أي مسار تختار، دع وكيلك يشغّل فحوصات Apidog على نقطة النهاية حتى لا يصل نص منسوخ سيئ إلى الإنتاج أبدًا.