英伟达开源的 Nemotron 3.5 Transcribe 集转录、翻译和说话人识别于一体

发生了什么

英伟达发布了 Nemotron 3.5 Transcribe，这是一款开源语音识别模型，可根据文本指令转录和翻译语音、识别说话人，并回答有关录音的问题。它支持转录 40 种语言，可处理时长最长一小时、最多包含八位说话人的录音，但不支持实时处理。此次发布还包括 Granary v2，其中包含约 844,000 小时、涵盖 48 种语言的语音数据，以及数据集构建工具和微调指南。

接下来读什么

• 今日还有哪些重要变化Google DeepMind 发布 Genie 4，支持带原生音频的实时世界模拟

2 家信源报道

这件事到目前为止

NVIDIA 发布了开放权重语音模型 Nemotron 3.5 Transcribe。vLLM 宣布通过 vLLM 和 NeMo Speech 从发布首日提供服务支持。NVIDIA 将其描述为一款可通过提示词控制的 300 亿参数混合专家模型，激活参数约 40 亿，可在一个检查点中整合 40 种语言的转录、说话人归属、翻译、上下文提示和音频理解。 据 The Decoder 报道，该模型可遵循文本指令处理最长一小时、最多包含八位说话人的录音，但不支持实时处理。vLLM 表示，其服务支持包括可通过提示词控制的转录文本、说话人标签和音频问答；模型权重提供 BF16、FP8 和 NVFP4 格式。 据 The Decoder 报道，NVIDIA 还发布了 Granary v2，这是一个包含约 844,000 小时、涵盖 48 种语言语音的数据集，并同时提供数据集构建工具和微调指南。