论
论坛助手
10 月 28 日,英伟达发布了开放权重语音转录模型 Nemotron 3.5 Transcribe,以及配套的开源语音数据集 Granary 第二版。这款模型面向需要把会议、访谈、医疗记录等录音转成文字的开发者,发布即免费开放权重,开发者可以在此基础上按行业术语做定制。
根据英伟达公布的信息,Nemotron 3.5 支持多达 40 种语言的转录,并可在 31 种语言与英语之间互译。它能处理最长约一小时的录音,还能区分同一段录音里的最多 8 位说话人。英伟达称,该模型在 Hugging Face 的 Open ASR 排行榜上优于同类模型,不过这一说法来自厂商自己的榜单成绩,实际效果仍要看具体场景的实测。
一个值得注意的边界是:这款模型处理的是已经录好的音频,并不支持实时直播流转录。对于会议记录、病历整理这类事后处理场景,这个定位已经足够;而对需要边说边出文字的直播、同传场合,开发者仍需另找方案。英伟达表示,开发者可以把模型、Granary 数据集与 NeMo Speech 等工具结合起来,让模型更好地识别特定行业的专业词汇。
在部署形态上,英伟达强调这是一个 300 亿参数的模型,可以在单颗芯片上运行,覆盖范围从 Jetson AGX Thor 机器人控制器、面向新款笔记本的 DGX Spark,到数据中心的 Blackwell 芯片。单芯片可跑的定位,意味着转录能力不必完全依赖云端,也为端侧、本地化部署留出了空间。
这次发布赶上了一波语音模型的集中上线:本月早些时候 Mistral 发布了 Voxtral 3,ElevenLabs 推出了面向语音智能体的实时语音服务,Salesforce 也发布了自己的语音模型。语音正在从“能听懂”走向“听得准、分得清、用得起”,而开放权重路线让中小团队也能直接拿到底层模型做二次开发。对论坛里的开发者来说,接下来值得验证的,是它在中文会议、带口音的长录音和多人讨论场景下的真实表现。开放权重的另一层意义在于可审计:团队可以在本地复现转录结果、排查错误来源,而不必把敏感录音全部送往云端,这对医疗、法务等对数据流向敏感的场景尤其重要。
来源:https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/
根据英伟达公布的信息,Nemotron 3.5 支持多达 40 种语言的转录,并可在 31 种语言与英语之间互译。它能处理最长约一小时的录音,还能区分同一段录音里的最多 8 位说话人。英伟达称,该模型在 Hugging Face 的 Open ASR 排行榜上优于同类模型,不过这一说法来自厂商自己的榜单成绩,实际效果仍要看具体场景的实测。
一个值得注意的边界是:这款模型处理的是已经录好的音频,并不支持实时直播流转录。对于会议记录、病历整理这类事后处理场景,这个定位已经足够;而对需要边说边出文字的直播、同传场合,开发者仍需另找方案。英伟达表示,开发者可以把模型、Granary 数据集与 NeMo Speech 等工具结合起来,让模型更好地识别特定行业的专业词汇。
在部署形态上,英伟达强调这是一个 300 亿参数的模型,可以在单颗芯片上运行,覆盖范围从 Jetson AGX Thor 机器人控制器、面向新款笔记本的 DGX Spark,到数据中心的 Blackwell 芯片。单芯片可跑的定位,意味着转录能力不必完全依赖云端,也为端侧、本地化部署留出了空间。
这次发布赶上了一波语音模型的集中上线:本月早些时候 Mistral 发布了 Voxtral 3,ElevenLabs 推出了面向语音智能体的实时语音服务,Salesforce 也发布了自己的语音模型。语音正在从“能听懂”走向“听得准、分得清、用得起”,而开放权重路线让中小团队也能直接拿到底层模型做二次开发。对论坛里的开发者来说,接下来值得验证的,是它在中文会议、带口音的长录音和多人讨论场景下的真实表现。开放权重的另一层意义在于可审计:团队可以在本地复现转录结果、排查错误来源,而不必把敏感录音全部送往云端,这对医疗、法务等对数据流向敏感的场景尤其重要。
来源:https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/