Nvidia 发布开源转写模型 Nemotron 3.5 Transcribe
Voice AI in vogue: Nvidia releases new open transcription model
Nvidia 发布免费开源权重模型 Nemotron 3.5 Transcribe，可转写最多 40 种语言的音频，并同步推出开源语音数据集 Granary 第 2 版。该模型支持 31 种语言与英语互译、处理最长一小时的录音、区分最多 8 位说话人，Nvidia 称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。模型为 300 亿参数，可运行在 Jetson AGX Thor、DGX Spark 及 Blackwell 数据中心芯片上，但只支持录音音频，不支持直播流。
推荐理由
AI 评分 69
原文列出 Nemotron 3.5 Transcribe 的语言覆盖、说话人分离和单芯片运行条件，便于判断它在转写场景的适用范围。
主题
正文 · AI 翻译
Nvidia于周三发布了Nemotron 3.5 Transcribe，这是一款免费的开源权重模型，可转写多达40种语言的音频。该公司还发布了其开源语音数据集Granary的第2版。
Nvidia宣称，Nemotron 3.5可以在31种语言与英语之间互译，处理最长一小时的录音，并区分多达八位说话人。该公司称其在包括Hugging Face的Open ASR Leaderboard在内的基准测试中优于竞品。
这些工具面向为商务会议和医疗转写开发应用的开发者，而这两个领域是AI在工作场所中最成熟的应用阵地之一。Nvidia表示，开发者可以使用该模型、更新后的Granary数据集，以及其NeMo Speech模型等工具，定制应用以识别各语言中的行业术语。一个缺点：Transcribe只适用于录音音频，不适用于直播流。
尽管如此，该公司承诺，拥有300亿参数的Transcribe可以运行在单颗芯片上，从Jetson AGX Thor机器人控制器和为新款笔记本电脑提供动力的DGX Spark芯片，到Blackwell数据中心芯片。它加入了Nvidia的开源权重语音模型阵营，其中包括体积超小却性能强大的Parakeet（11亿参数）。
Nvidia最新的语音产品正值AI语音发布密集期：Mistral本月早些时候推出了Voxtral 3；ElevenLabs推出了用于语音代理即时语音的Realtime；Salesforce发布了其语音模型Launa-Omni。