英伟达发布开源转录模型Nemotron 3.5 Transcribe
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载免费开放权重模型
Nvidia 推出了一款名为 Nemotron 3.5 Transcribe 的转写模型，其权重以开放形式提供，使用上不收取费用。该模型面向音频转文字任务，可处理的语种范围覆盖四十种语言。与只覆盖少数主流语言的方案相比，这一语种数量意味着更多小语种录音也能进入同一套处理流程。开放权重意味着使用者可以自行获取并部署模型，而不必依赖厂商提供的在线接口，这对需要在本地环境处理音频的团队具有实际意义。Nvidia 同时强调该模型在多项基准测试中的表现优于同类产品，其中被点名的包括 Hugging Face 的 Open ASR Leaderboard。这一对比指向的是公开榜单上的评测结果，而非特定场景下的实测数据，读者在评估时仍需结合自身音频条件判断。
翻译与说话人区分
除转写之外，Nemotron 3.5 Transcribe 还具备两项延伸能力。其一是翻译，可在三十一种语言与英语之间进行双向转换，也就是把非英语音频转成英文文本，或把英语内容转成其他语言的文本。其二是说话人区分，模型能够在一段录音中分辨出最多八位不同的说话者，从而在输出文本时区分谁说了什么。这一能力对会议记录、访谈整理等多方对话场景较为关键，因为单纯的转写往往把不同人的发言混在一起。把转写、翻译与说话人区分放在同一个模型里，减少了为不同任务分别调用不同工具的需要。
长录音与数据集更新
在录音时长方面，该模型可以处理长度达到一小时的音频，这一上限决定它适用于完整的会议、讲座或单集节目，而不只是短片段。与之配套，Nvidia 还发布了 Granary 的第二版，这是一个开源的语音数据集。数据集的版本更新与模型发布同步进行，为训练和评测语音模型提供了公开可用的语料来源。对希望复现结果或在此基础上继续微调的使用者来说，开放权重模型加上开源数据集构成了相对完整的起点。需要注意的是，材料给出的时长与说话人数上限属于模型标称能力，实际表现会随音频质量、口音与重叠发言等情况变化。
为什么值得看
开源权重、多语言转录与说话人分离能力，可直接用于语音转写和会议记录场景。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。