英伟达发布开源语音转录模型，支持40种语言自由转换
英伟达推出新一代开源语音转录模型
周三，英伟达正式发布Nemotron 3.5 Transcribe模型。这是一款免费开源权重的语音转录工具，支持多达40种语言的音频转录任务。与此同时，英伟达还推出了Granary开源语音数据集的第2个版本。
强大的多语言处理能力
据英伟达官方介绍，Nemotron 3.5具备以下核心能力：
- 支持31种语言与英语之间的双向翻译
- 可处理时长长达1小时的音频录音
- 能够准确区分最多8位不同说话者
在多项基准测试中，该模型表现优异，包括在Hugging Face开源自动语音识别排行榜上超越竞争对手。
聚焦企业级应用场景
这些工具主要面向开发者的实际需求，特别是在商务会议记录和专业医疗转录两大领域。作为人工智能在企业端应用较为成熟的两个方向，这两个场景正成为语音AI技术落地的重要突破口。
英伟达表示，开发者可以结合更新后的Granary数据集以及NeMo语音模型等工具，针对特定行业的专业术语进行定制化训练，实现多语言环境下的精准识别。
需要指出的是，目前该模型仅支持已录制的音频文件，暂不支持实时语音流处理。
灵活的硬件部署方案
尽管参数规模达到300亿，但Transcribe模型具备出色的部署灵活性。从边缘计算设备到数据中心，均可实现单机运行：
- Jetson AGX Thor机器人控制平台
- DGX Spark芯片（应用于新款笔记本电脑）
- Blackwell系列数据中心芯片
该模型的发布进一步完善了英伟达开源语音模型矩阵。此前，英伟达已推出参数量仅为11亿的Parakeet模型，虽体积小巧但性能同样强劲。
语音AI赛道竞争白热化
英伟达此次新品的发布正值语音AI领域新品密集亮相的关键时期。近期，多家科技企业在该领域相继推出重要产品：
- 本月早些时候，Mistral公司发布了Voxtral 3语音模型
- ElevenLabs推出了面向语音智能体的实时语音处理功能Realtime
- Salesforce则发布了其自研的Launa-Omni语音模型
这一系列动态表明，全球科技巨头正在加速布局语音AI领域，市场竞争日益激烈。
关注微信号：智享开源 ，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！