Nvidia开源语音转录模型 支持40种语言
报价宝综合消息Nvidia开源语音转录模型 支持40种语言
英伟达周三发布开源权重语音转录模型 Nemotron 3.5 Transcribe，免费开放，可识别最多40种语言的音频；同期还更新了其开源语音数据集 Granary，推出第二代版本。
官方称该模型支持31种语言与英语互译，可处理最长一小时的录音，并区分最多八名说话人；英伟达还表示，它在 Hugging Face 开放 ASR 排行榜等多个基准测试中超越了同类产品。
这套工具瞄准的是企业会议记录和医疗转录两类开发者场景，这也是 AI 语音技术在职场落地最成熟的方向。开发者可以把新模型、Granary 数据集和 NeMo Speech 等工具组合起来，按行业定制专有术语的识别。不过它目前只支持录音文件，无法处理直播流，实时语音场景仍留给 ElevenLabs 等对手。
参数规模上，Transcribe 拥有300亿参数，英伟达称单芯片即可运行，从机器人控制器 Jetson AGX Thor、笔记本芯片 DGX Spark 到数据中心 Blackwell 芯片均在支持之列，与旗下轻量级语音模型 Parakeet 形成互补。
英伟达此番入局正值语音 AI 密集发布期：Mistral 本月初推出 Voxtral 3，ElevenLabs 发布了面向语音智能体的 Realtime，Salesforce 也推出了自研语音模型 Launa-Omni。
编译自 TechCrunch，原标题：「Voice AI in vogue: Nvidia releases new open transcription model」
