Nvidia 开源 Nemotron 3.5 转录模型 支持 40 种语言
Nvidia 发布开源语音转录模型 Nemotron 3.5，支持 40 种语言及 31 种语言的英译互转。该模型拥有 300 亿参数，可在单芯片上运行，并具备长音频处理与多说话人分离能力，旨在降低开发者构建会议与医疗转录应用的门槛。
报道正文
Nvidia 于周三发布了 Nemotron 3.5 Transcribe，这是一款免费、开放权重的模型，支持最多 40 种语言的音频转录。同时，该公司还发布了其开源语音数据集 Granary 的第二版。
Nvidia 宣称 Nemotron 3.5 能够实现 31 种语言与英语之间的双向翻译，处理长达一小时的录音，并区分多达八位说话者。该模型声称在包括 Hugging Face 的 Open ASR Leaderboard 在内的基准测试中超越了竞争对手。
这些工具主要面向开发商务会议和医疗转录应用开发者——这两大领域是 AI 在职场中最成熟的切入点。Nvidia 表示，开发者可以利用该模型、更新后的 Granary 数据集以及 NeMo Speech 等工具，定制应用以识别各行业在不同语言中的专业术语。不过存在一个局限：Transcribe 仅适用于录制好的音频，不支持直播流。
尽管如此，公司承诺拥有 300 亿参数的 Transcribe 可在单颗芯片上运行，从用于新笔记本电脑的 Jetson AGX Thor 机器人控制器和 DGX Spark 芯片 驱动的新笔记本，到 Blackwell 数据中心芯片均能胜任。它加入了 Nvidia 的开放权重语音模型家族，其中包括小巧却 强大的 Parakeet（11 亿参数）。
Nvidia 此次发布语音模型正值 AI 语音技术密集推出之际：Mistral 本月早些时候推出了 Voxtral 3；ElevenLabs 发布了 Realtime，以实现语音代理中的即时对话；Salesforce 也推出了其语音模型 Launa-Omni。