英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe

支持40种语言的开源转写模型

英伟达于周三发布免费开源权重模型 Nemotron 3.5 Transcribe，可对多达 40 种语言的音频进行转写。同时发布的还有其开源语音数据集 Granary 的第 2 版。英伟达宣称，该模型支持 31 种语言与英语之间的互译，可处理长达一小时的录音，并能区分最多 8 位说话者。

基准测试声称领先对手

英伟达表示，该模型在包括 Hugging Face Open ASR Leaderboard 在内的多项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写应用的开发者，这两个领域是 AI 在职场中最成熟的应用场景之一。

可定制识别行业术语

英伟达称，开发者可以结合该模型、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每种语言中的专业术语。不过该模型也存在一个短板：Transcribe 只能处理已录制的音频，不支持直播流。

300亿参数可跑在单芯片上

尽管参数量达 300 亿，英伟达承诺 Transcribe 可以在单颗芯片上运行，包括用于机器人的 Jetson AGX Thor 控制器以及 DGX Spark 芯片，降低了部署门槛。