NVIDIA发布开源语音模型Nemotron 3.5 Transcribe

Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持转录、翻译、说话人识别及音频内容问答。该模型拥有 300 亿参数（激活 40 亿），可在单张 Nvidia GPU 上运行，并在多个开源 ASR 与说话人识别基准测试中名列前茅。同时，Nvidia 还开源了包含 84.4 万小时语音的 Granary v2 训练数据集及相关适配工具。

Nvidia 发布了开源语音转写模型 Nemotron 3.5 Transcribe，支持多达 40 种语言转写、31 种语言与英语互译，并能区分多达 8 个说话人。该模型参数量为 300 亿，可运行在从 Jetson AGX Thor 到 Blackwell 的单芯片上，同时 Nvidia 还更新了开源语音数据集 Granary。

NVIDIA 发布了开源语音模型 Nemotron 3.5 Transcribe 及 Granary v2 数据管线，集成了多语言语音识别、说话人分离、翻译和音频问答功能。该模型支持 40 种语言转录、31 种语言翻译及 13 种语言的说话人属性识别，在多个开源语音基准测试中名列前茅。配套的 Granary v2 管道和微调工具则允许开发者通过自然语言指令和领域数据进一步优化模型表现。