Nvidia 开放 Nemotron 3.5 Transcribe 语音模型
以文本指令统一完成多语转写、英译互译、说话人识别与录音问答。
为什么重要
单GPU运行与开放权重降低了多语音频理解和专业领域适配门槛。
阅读原文the-decoder.com
AI 解读（根据原文生成）
Nvidia 发布开放语音模型 Nemotron 3.5 Transcribe，以文本指令统一完成转写、英译互译、说话人识别及录音内容问答，并支持术语提示。模型共有300亿参数、每步约激活40亿参数，可在单张 Nvidia GPU 上运行。同期发布含844,000小时音频的 Granary v2 和专业领域适配工具。原文称模型开放，但未提供权重或代码地址。
要点（AI 据原文整理，数字均已与原文核对）
- 模型有30 billion parameters，但每个处理步骤仅约4 billion处于激活状态，可在单张Nvidia GPU上运行。
- 模型可转写40种语言，将其中31种与英语互译，并在13种语言中识别说话人。
- 在NVFP4精度下，RTX PRO 6000 Blackwell Server Edition处理100 hours of audio用时不到three minutes。
- 模型在Hugging Face英文Open ASR Leaderboard上的平均词错误率为5.33 percent；VoiceArena测试14个系统时，其漏词率为8.32 percent，中位数约为31 percent。
- Granary v2包含844,000 hours of audio。
