NVIDIA 开源多语言转写模型 Nemotron 3.5 Transcribe

NVIDIA 在 Hugging Face 和 ModelScope 上线开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，并同步发布开源语音数据集 Granary 第 2 版。据 NVIDIA 介绍，该模型支持 40 种语言转写、31 种语言与英文互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人；NVIDIA 称其在多项基准上领先。 模型只面向已录制音频，不支持实时流；各语言可用功能不同，音频问答功能仅以英文训练。它可在单张 NVIDIA GPU（从 DGX Spark 到 Blackwell 数据中心系统）上运行，通过 vLLM 部署或 NeMo-Speech.cpp 本地运行。 配套语料的源音频需按各语料原始许可单独下载，并遵循发布条款；NVIDIA 称该数据集与模型训练数据并不完全一致，并建议在构建定制版本时预留至少 100 条真实、经核验的录音用于测试。

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。