英伟达于周三发布了Nemotron 3.5 Transcribe,这是一款免费且开放权重的模型,支持多达40种语言的音频转录。同时,英伟达还推出了其开源语音数据集Granary的第二版。

英伟达宣称,Nemotron 3.5能够实现31种语言与英语之间的互译,支持最长一小时的录音处理,并能区分多达八位说话者。该模型在多个基准测试中表现优异,包括Hugging Face的Open ASR排行榜。

这些工具主要面向开发者,帮助他们构建适用于商务会议和医疗转录的应用程序,这两个领域是AI在职场中最成熟的应用场景。英伟达表示,开发者可以利用该模型、更新后的Granary数据集以及NeMo语音模型等工具,定制能够识别各行业专业术语的多语言应用。不过,Transcribe仅支持录制音频的转录,不支持直播音频。

此外,英伟达承诺,拥有300亿参数的Transcribe模型能够在单芯片上运行,适配从Jetson AGX Thor机器人控制器、DGX Spark芯片(用于新款笔记本电脑)到Blackwell数据中心芯片等多种硬件。该模型加入了英伟达已有的开放权重语音模型阵营,其中包括体积小巧但功能强大的Parakeet(11亿参数)。

英伟达此次发布正值AI语音领域发布频繁之际:本月初Mistral推出了Voxtral 3;ElevenLabs发布了用于语音代理的即时语音工具Realtime;Salesforce也发布了其语音模型Launa-Omni。