Folia
← 返回头版

Nvidia Nemotron 3.5 Transcribe: open ASR for 40 languages

Nvidia 近期推出了开源语音识别模型 Nemotron 3.5 Transcribe,该模型具备开放权重且支持提示功能,能够处理40种语言的转录任务 1。在语言处理能力方面,其中31种语言支持双向翻译至英语,另有13种语言实现了说话人分离功能 1。这一发布旨在为开发者提供高精度的多语言语音处理工具,并配套推出了 Granary v2 数据处理管道及微调套件以辅助特定领域的适配 1。

在性能表现上,Nemotron 3.5 Transcribe 在 Hugging Face Open ASR Leaderboard 的英语赛道中凭借 5.33% 的平均词错误率(WER)位居开源模型榜首 1。此外,在 David AI 的多语言说话人分离基准测试中,该模型的最低错误率为 18.26% 1。为了支持模型的训练与优化,Granary v2 数据集涵盖了来自16个源语料库、涉及48种语言的总计 463,062 小时音频数据 1。

除了通用场景的高性能,该模型在垂直领域也展现出显著优势。案例研究显示,经过微调后,其在医疗领域的保留说话人词错误率相比最佳提示基线降低了 45.8%,从 22.44% 下降至 12.17% 1。目前,用户可以在 RTX Spark、DGX Spark 等本地硬件或 Blackwell 数据中心 GPU 上运行该模型 1。


评论