内容管家
评论0字数 541阅读1分48秒阅读模式
英伟达发布开放权重转写模型 Nemotron 3.5 Transcribe，语音 AI 进入密集发布期
英伟达本周三发布 Nemotron 3.5 Transcribe，这是一款免费、开放权重的语音转写模型，支持最多 40 种语言。同时，英伟达还发布了其开源语音数据集 Granary 的第二版。
模型能力与基准表现
据英伟达介绍，Nemotron 3.5 支持 31 种语言与英语之间的双向翻译，可处理长达一小时的录音，并最多能区分八位说话者。英伟达称，该模型在包括 Hugging Face Open ASR 排行榜 在内的多项基准测试中优于竞品。
面向开发者构建会议纪要、医疗转写等应用的场景，英伟达表示开发者可以将模型、更新后的 Granary 数据集以及 NeMo Speech 等工具结合起来，针对特定行业的术语在每种语言下做定制识别。
需要留意的一点限制是：Transcribe 只处理录制音频，不支持直播流。
部署形态与英伟达开放模型矩阵
Transcribe 规模为 300 亿参数（30B）。英伟达称它可以跑在单颗芯片上，覆盖从 Jetson AGX Thor 机器人控制模块、驱动新品的 DGX Spark 芯片，到 Blackwell 数据中心芯片。它也加入了英伟达的开放权重语音模型序列，其中包括体积很小但性能强劲的 Parakeet（11 亿参数）。
同期竞品动态：语音 AI 集中发布
英伟达这次入场的时间点，正处在语音 AI 的密集发布期：
- Mistral 本月初发布 Voxtral 3
- ElevenLabs 推出 Realtime，面向语音智能体提供即时语音能力
- Salesforce 发布其语音模型 Launa-Omni
整体来看，会议与医疗转写这类已在职场中站稳脚跟的场景，成为这批开放语音模型的共同落点；但实时直播转写仍是当前各家普遍尚未覆盖的空白地带。
评论