英伟达发布新款开源语音转录模型，加码AI语音赛道

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

英伟达表示，Nemotron 3.5能够实现31种语言与英语之间的互译，可处理长达一小时的录音，并能区分多达八名发言者。该公司声称，这款模型在多项基准测试中的表现超越了竞争对手，其中包括Hugging Face的开放式自动语音识别（ASR）排行榜。

这些工具主要面向为商务会议和医疗转录开发应用的开发者，这两个领域也是人工智能在职场中最为成熟的应用场景之一。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，针对各行业的专业术语进行定制化开发，适配不同语言环境。不过，该模型也存在一个局限：Transcribe目前仅支持处理录制音频，尚不支持实时流处理。

尽管如此，英伟达方面承诺，这款拥有300亿参数的Transcribe模型能够在单颗芯片上运行，适用范围覆盖从搭载于新型笔记本电脑的Jetson AGX Thor机器人控制器和DGX Spark芯片，到数据中心使用的Blackwell芯片等多种硬件平台。该模型也加入了英伟达开放权重语音模型的阵营，此前该系列已包括体积虽小但性能强劲的Parakeet模型（11亿参数）。

英伟达此次推出新语音模型，正值AI语音领域发布密集的时期：本月早些时候，Mistral发布了Voxtral 3；ElevenLabs推出了面向语音智能体的实时语音功能Realtime；Salesforce也发布了其语音模型Launa-Omni。