英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe

英伟达发布 Nemotron 3.5 Transcribe，这是一款免费、开放权重的语音转写模型，支持最多 40 种语言的音频转写，并可在 31 种语言与英语之间互译。它面向企业会议和医疗转写两类应用场景，英伟达称开发者可结合该模型、更新后的 Granary 数据集以及 NeMo Speech 等工具，定制识别各语言中的行业术语。 在能力规格上，该模型可处理最长一小时的录音，能区分最多 8 名说话人，参数量为 30B。英伟达称其可运行在单颗芯片上，覆盖 Jetson AGX Thor 机器人控制器、为新款笔记本提供算力的 DGX Spark，以及 Blackwell 数据中心芯片。它与此前发布的 Parakeet（1.1B 参数）等开放权重语音模型同属一条产品线。 英伟达同时发布开源语音数据集 Granary 的第 2 版，并称 Nemotron 3.5 Transcribe 在包括 Hugging Face Open ASR Leaderboard 在内的基准上优于竞品。明确的限制是它只处理已录制音频，不支持直播流。 这一发布处在语音模型密集推出的阶段：Mistral 本月早些时候发布 Voxtral 3，ElevenLabs 推出面向语音智能体的 Realtime，Salesforce 发布语音模型 Launa-Omni。