英伟达开源的Nemotron 3.5 Transcribe模型融合转录、翻译与说话人识别功能
decoder ·
英伟达发布了Nemotron 3.5 Transcribe，这是一款将转录、翻译和说话人识别整合到单一系统中的开源语音模型。该模型支持多达40种语言的转录，并能处理长达一小时且包含多个说话人的音频文件。尽管模型拥有300亿参数，但每步仅激活40亿个参数，使其能够在单块GPU上高效运行。它在多项基准测试中名列前茅，包括Hugging Face的英语开放自动语音识别（ASR）排行榜以及VoiceArena的说话人归属测试。与此同时，英伟达还推出了Granary v2数据集，包含涵盖48种语言的84.4万小时音频。公司还提供了用于在特定领域微调模型的工具体验，在医疗场景中显示出显著的准确率提升。虽然基础模型性能强劲，但建议用户抽查输出结果，并请注意该模型不支持实时处理。
decoder