英伟达发布开源语音模型 Nemotron 3.5 Transcribe

Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，把转写、翻译和说话人识别整合进单一模型，并支持通过文本指令控制输出。该模型可转写 40 种语言、在 31 种语言与英语之间互译、识别 13 种语言中的说话人，处理最长一小时的录音和最多 8 位说话人。模型总参数 30B、每步仅约 4B 激活，可在单张 Nvidia GPU 上运行；Nvidia 称在 RTX PRO 6000 Blackwell Server Edition 上以 NVFP4 精度处理 100 小时音频耗时不到三分钟。

NVIDIA 为 RTX Spark 轻薄本带来一批更新，包括开放权重语音模型 Nemotron 3.5 Transcribe、Liquid AI 的 LFM3 模型家族，以及 NVIDIA App 中可在前台应用与后台智能体之间分配 GPU 资源的控制项。Nemotron 3.5 Transcribe 用单个可提示模型完成转写、说话人标注和翻译，覆盖 40 种语言，约 4.3B 激活参数，已在 Hugging Face 以 BF16、FP8 和 NVFP4 格式发布，并支持 RTX Spark、DGX Spark 和 Jetson AGX Thor。

英伟达发布免费开源权重模型 Nemotron 3.5 Transcribe，可转写最多 40 种语言的音频，同时发布开源语音数据集 Granary 的第 2 版。英伟达称该模型支持 31 种语言与英语互译，可处理最长一小时的录音，并能区分最多 8 位说话人，在 Hugging Face 的 Open ASR Leaderboard 等基准上优于竞品。该模型面向商务会议和医疗转写类应用开发者，可结合 Granary 数据集与 NeMo Speech 等工具定制各语言行业术语识别。其局限在于只处理录音而非实时流，但 30B 参数可运行在 Jetson AGX Thor、DGX Spark 及 Blackwell 数据中心芯片等单芯片上。同期 Mistral 发布 Voxtral 3、ElevenLabs 推出 Realtime、Salesforce 发布 Launa-Omni。

NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合并到一个 checkpoint，已在 Hugging Face 和 ModelScope 上线。该模型支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人，支持自然语言提示控制输出格式。在 Hugging Face Open ASR Leaderboard 英语榜上，它以 5.33% 平均 WER 位列开源权重模型第一；在 Artificial Analysis 上以 2.8% AA-WER 与更大模型并列开源第一，30B 参数中每 token 仅约 4B 激活。