英伟达开源语音模型 Nemotron 3.5 Transcribe 及数据集 Granary v2
先了解这件事
英伟达发布开放权重语音模型 Nemotron 3.5 Transcribe,并同步公开开源语音数据集 Granary v2。该模型整合转写、说话人识别、翻译和音频问答,支持 40 种语言转写、31 种语言与英语互译,可处理最长 1 小时、最多 8 人的录音;采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿。模型已在 Hugging Face 与 ModelScope 免费开放,采用允许商用的 OpenMDW-1.1 许可证。 限制同样明确:模型只处理录制音频,不支持实时或直播流;部分功能按语言而异,音频问答仅以英语训练;中文会议和语码转换仍是弱项。英伟达称其配套的推理服务优化尚未开源,发布日 vLLM 路径约慢一倍;量化版本预计后续发布,以便在 DGX Spark、Jetson AGX Thor 等本地设备运行。 英伟达称,开发者可用该模型、更新后的 Granary 数据集及 NeMo Speech 等工具定制应用,以识别各语言中的行业术语;构建定制版本时,英伟达建议预留至少 100 条真实且经核验的录音用于测试。早期报道称模型为 30 亿参数,后续报道则给出上述 340 亿总参数、43 亿激活参数的说法。
AI 根据报道生成 · 更新于 20 天前
报道时间线
沿着报道,了解事件的不同侧面。
- IT之家 · AI精选英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言与 8 人说话人分离
英伟达于 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe,整合转录、说话人归属、翻译和音频问答,采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿,可处理最长 1 小时录音,支持 40 种语言转录、最多区分 8 名说话人。
- MarkTechPost精选NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型,支持 40 种语言转写
NVIDIA 发布 Nemotron 3.5 Transcribe,这是一个开放权重的语音大模型,单模型支持 40 种语言、最长 1 小时音频,并可输出逐字稿、书面体、说话人标注和翻译结果。
- The Decoder精选Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,整合转写、翻译与说话人识别
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,可处理最长 1 小时、最多 8 人的录音。
- TechCrunch · AI英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe
英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe,支持 40 种语言转写,含 30 亿参数,可在 Jetson AGX Thor 和 DGX Spark 芯片上运行。该模型能翻译 31 种语言、区分 8 个说话人,并在 Hugging Face Open ASR Leaderboard 基准测试中超越竞品,但仅支持录制音频。
- Hugging Face Blog精选NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe,把转写、说话人分离、翻译和音频问答合入同一 checkpoint,支持 40 种语言转写、31 种语言与英语互译、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。