Article · AI translation
英伟达周三发布了 Nemotron 3.5 Transcribe，这是一款免费的开放权重模型，可转录多达 40 种语言的音频。该公司还发布了其开源语音数据集 Granary 的第 2 版。
英伟达称，Nemotron 3.5 可以将 31 种语言与英语互译，处理最长 1 小时的录音，并区分多达 8 名说话者。该公司声称，这款模型在包括 Hugging Face 的 Open ASR Leaderboard 在内的基准测试中胜过竞争对手。
这些工具面向开发者，帮助他们构建用于商务会议和医疗转录的应用；这两个领域是人工智能在职场中最成熟的应用场景之一。英伟达表示，开发者可以使用该模型、更新后的 Granary 数据集，以及其 NeMo Speech 模型等工具，定制能够识别各行业在不同语言中专业术语的应用。一个缺点是：Transcribe 处理的是录制好的音频，而非实时音频流。
尽管如此，该公司表示，拥有 300 亿个参数的 Transcribe 可以在单块芯片上运行，支持的芯片包括 Jetson AGX Thor 机器人控制器、新款笔记本电脑搭载的 DGX Spark 芯片，以及 Blackwell 数据中心芯片。它加入了英伟达的开放权重语音模型阵容，其中包括体积很小却性能强劲的 Parakeet（11 亿个参数）。
英伟达推出这款最新语音模型之际，人工智能语音领域正迎来一波密集发布：Mistral 本月早些时候推出了 Voxtral 3；ElevenLabs 发布了用于语音智能体即时语音交互的 Realtime；Salesforce 则发布了其语音模型 Launa-Omni。