NVIDIA 开源 Nemotron 3.5 语音模型及数据管线

NVIDIA 正式开源 Nemotron 3.5 Transcribe 多模态语音模型及配套 Granary v2 数据管线，标志着高质量语音 AI 开发门槛的显著降低。该模型支持 40 种语言的转录、翻译、说话人分离及音频问答，在多项行业基准测试中取得领先成绩，并具备处理长达一小时录音及区分最多 8 位说话者的能力。

技术层面，Nemotron 3.5 采用混合专家（MoE）架构，总参数达 30B 但激活参数仅 4B，实现了在单 GPU 甚至 Jetson AGX Thor 等边缘设备上的高效推理。配套的 Granary v2 不仅提供了包含 84.4 万小时音频的大规模数据集，还集成了完整的微调配方与数据处理工具，允许开发者通过提示词快速适配医疗、会议等垂直场景需求。

这一全栈开源策略为开发者提供了从原始音频到定制化应用的端到端能力，打破了以往高性能语音模型闭源或部署成本高昂的局面。它不仅加速了语音交互技术在企业级应用中的落地，也为构建更智能、更具隐私保护意识的本地化语音解决方案奠定了坚实基础。