英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe
Voice AI in vogue: Nvidia releases new open transcription model
AI 导读
英伟达周三发布 Nemotron 3.5 Transcribe，这是一个免费的开源权重模型，可转写最多 40 种语言的音频，同时发布开源语音数据集 Granary 的第 2 版。
摘要与补充说明
英伟达称该模型支持 31 种语言与英语互译，可处理最长一小时的录音，并能区分最多 8 位说话人，在 Hugging Face 的 Open ASR Leaderboard 等基准上优于竞品。该模型面向会议和医疗转写类应用开发者，可配合 Granary 数据集和 NeMo Speech 等工具定制行业术语识别。
正文· AI 翻译
简讯
发布时间：
太平洋夏令时 2026 年 10 月 28 日上午 8:00
Nvidia 于周三发布了 Nemotron 3.5 Transcribe，这是一款免费的开源权重模型，可转录多达 40 种语言的音频。该公司还发布了其开源语音数据集 Granary 的第 2 版。
Nvidia 宣称 Nemotron 3.5 可在 31 种语言与英语之间互译，能处理长达一小时的录音，并可区分多达八位说话人。该公司称其在基准测试中胜过竞争对手，包括 Hugging Face 的 Open ASR Leaderboard。
这些工具面向为商务会议和医疗转录构建应用的开发者，这是 AI 在工作场所中最成熟的两个应用领域。Nvidia 表示，开发者可以使用该模型、更新后的 Granary 数据集以及其 NeMo Speech 模型等工具，定制应用以识别各语言中的行业术语。一个缺点：Transcribe 仅适用于录音音频，不支持直播流。
尽管如此，该公司承诺，拥有 300 亿参数的 Transcribe 可在单颗芯片上运行，从 Jetson AGX Thor 机器人控制器和为新型笔记本电脑提供动力的 DGX Spark 芯片，到 Blackwell 数据中心芯片均可。它加入了 Nvidia 的开源权重语音模型阵容，其中包括超小却强大的 Parakeet（11 亿参数）。
Nvidia 的最新语音产品发布正值 AI 语音密集发布期：Mistral 本月早些时候推出了 Voxtral 3 ；ElevenLabs 推出了用于语音代理即时语音的 Realtime；Salesforce 发布了其语音模型 Launa-Omni。