英伟达发布开源语音模型Nemotron 3.5 Transcribe及Granary数据集v2
英伟达于周三正式发布Nemotron 3.5 Transcribe，这是一款支持40种语言音频转录的免费开源权重模型。同期，公司还推出了开源语音数据集Granary第2版。
核心性能与功能亮点
据英伟达介绍，Nemotron 3.5具备以下关键能力：
- 多语种互译：支持31种语言与英语之间的双向翻译；
- 长音频处理：可处理长达一小时的录音文件；
- 说话人区分：能够识别并区分多达8位说话者；
- 基准测试领先：在Hugging Face Open ASR Leaderboard等权威评测中表现优于竞品。
应用场景与部署优势
该工具主要面向商务会议记录与医疗转录两大AI成熟应用场景。开发者可结合更新后的Granary数据集及NeMo Speech等工具，定制识别特定行业术语的应用程序。需注意，目前Transcribe仅支持录制音频，暂不支持实时直播流。
在部署方面，拥有300亿参数的Transcribe模型可在单芯片上运行，兼容Jetson AGX Thor机器人控制器、DGX Spark芯片（驱动新一代笔记本电脑）以及Blackwell数据中心芯片。此外，它还丰富了英伟达的开源语音模型矩阵，包括轻量高效的Parakeet（11亿参数）模型。
行业竞争态势
此次发布正值AI语音领域密集迭代期。此前，Mistral已推出Voxtral 3；ElevenLabs发布了支持语音代理即时交互的Realtime；Salesforce也上线了其语音模型Launa-Omni，市场竞争日趋激烈。