Nvidia发布开源语音模型Nemotron 3.5 Transcribe

Nvidia发布Nemotron 3.5 Transcribe，一款免费开放权重的语音模型，将转写、翻译、说话人识别和音频问答整合到单一模型中，可接受文本指令控制输出形式，同时推出开源语音数据集Granary第2版。 Nvidia称该模型可转写40种语言、在31种语言与英语之间互译、识别13种语言中的说话人，可处理最长一小时录音并区分最多8位说话人，但不支持实时处理，仅支持录制音频。模型参数量为300亿，Nvidia称其可在单块芯片上运行，覆盖Jetson AGX Thor机器人控制器、DGX Spark笔记本芯片到Blackwell数据中心芯片，并称其在Hugging Face Open ASR Leaderboard等基准上超越对手。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。