英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe

简讯

发布时间：

2026年10月28日 上午8:00 PDT

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击败了竞争对手，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 仅适用于录制音频，不适用于直播流。

尽管如此，该公司承诺 Transcribe 拥有 300 亿参数，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。它加入了 Nvidia 的开源权重语音模型系列，其中包括超小却强大的 Parakeet（11 亿参数）。

Nvidia 的最新语音产品正值 AI 语音发布密集期：Mistral 于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。