英伟达开源语音模型 Nemotron 3.5 Transcribe
先了解这件事
英伟达发布开放权重语音模型 Nemotron 3.5 Transcribe，已在 Hugging Face 和 ModelScope 上线，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint。模型支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人分离，可处理最长 1 小时录音并标注最多 8 位说话人，开发者可用自然语言提示控制输出格式。模型总参数 30B、每步约 4B 激活，可在单张英伟达 GPU 上运行，但只面向录制音频，不支持实时流。 英伟达称，该模型在 Hugging Face Open ASR Leaderboard 英语开源权重模型中排名第一，平均 WER 为 5.33%；在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER，接近更大的 Voxtral Small 的 2.77%。The Decoder 称音频问答功能以英语训练，各语言支持的功能不同。 同步发布的还有开源语音数据集 Granary 第 2 版。英伟达提示，源音频需按各语料库原始许可单独下载，并遵循发布条款。
AI 根据报道生成 · 5 天前更新
报道时间线
沿着报道，了解事件的不同侧面。
- The DecoderNvidia 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%。
- TechCrunch · AI英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe
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。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。
- Hugging Face Blog 精选NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 在 Hugging Face 和 ModelScope 上发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint。它支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人分离，可处理最长 1 小时录音并标注最多 8 位说话人，开发者能用自然语言提示控制输出格式。官方称其在 Hugging Face Open ASR Leaderboard 英语开源权重模型中排名第一，平均 WER 为 5.33%，并在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER。
本事件热度走势
- 可比范围当前
- 21
- 可比范围峰值
- 2910月29日 00:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。