Folia
← 返回头版

英伟达发布开源语音转录模型 Nemotron 3.5 Transcribe

英伟达(Nvidia)发布了名为 Nemotron 3.5 Transcribe 的免费开源权重语音转录模型,旨在为开发者提供定制化的会议和医疗转录工具 1。该模型拥有 300 亿参数,支持多达 40 种语言的音频转录,并具备 31 种语言与英语互译的能力 1。在性能方面,英伟达宣称 Nemotron 3.5 Transcribe 在 Hugging Face Open ASR Leaderboard 等基准测试中优于竞争对手,能够处理长达 1 小时的录音并区分最多 8 个说话人 1。

为了配合新模型的训练与应用,英伟达同时发布了第二版开源语音数据集 Granary 1。技术规格上,该模型可在单个芯片上运行,兼容 Jetson AGX Thor、DGX Spark 以及 Blackwell 数据中心芯片等硬件平台 1。需要注意的是,Nemotron 3.5 Transcribe 仅适用于录制后的音频处理,不支持实时流媒体功能 1。

此次发布正值多家科技公司密集推出 AI 语音产品之际,竞争对手 Mistral 本月早些时候发布了 Voxtral 3,ElevenLabs 推出了 Realtime,而 Salesforce 则发布了 Launa-Omni 1。


评论