NVIDIA Nemotron 3.5 Transcribe 和 Granary v2：可提示且可适应的智能多语言转录方案 | AI Archive

NVIDIA Nemotron 3.5 Transcribe 和 Granary v2：可提示且可适应的智能多语言转录方案

huggingface · 2026-10-28T14:58:17+00:00

NVIDIA发布了Nemotron 3.5 Transcribe，这是一个开放权重的模型，将多语言转录、说话人归属、翻译和音频问答整合到单个检查点中。该模型支持40种语言的转录，并在多个主要排行榜上名列前茅，包括Hugging Face开放自动语音识别（ASR）排行榜和David AI的说话人分离基准测试。其关键特性是可提示性，允许开发人员使用自然语言指令引导输出格式和特定领域的术语，而无需立即进行微调。为支持适配，NVIDIA还推出了Granary v2，这是一个开放的数据策展管道，包含超过46.3万小时的多语言语音数据。案例研究表明，使用该管道进行微调可以显著降低医疗等专门领域的词错误率。该系统采用混合Mamba-Transformer架构，能够在从边缘设备到数据中心服务器的单块NVIDIA GPU上高效运行。开发者可以通过Hugging Face、ModelScope或托管端点访问该模型，并提供了用于本地部署和自定义训练的工具。