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,可用文本指令控制,支持 40 种语言转写、31 种语言与英语互译,并在 13 种语言中识别说话人。
模型总参数 30B、每步约 4B 激活,可在单张 Nvidia GPU 上运行,最长处理一小时录音、最多 8 位说话人。Nvidia 称其在 Hugging Face 英语 Open ASR 榜单开源权重模型中排名第一,平均词错误率 5.33%;在 Artificial Analysis 对比中为 2.81%,接近更大的 Voxtral Small 的 2.77%。