原文标题：Voice AI in vogue: Nvidia releases new open transcription model

简介

Nvidia 周三发布了 Nemotron 3.5 Transcribe，这是一个免费的开放式模型，可以转录多达 40 种语言的音频。它还发布了开源语音数据集 Granary 的第二版。

Nvidia 宣称 Nemotron 3.5 可以在 31 种语言与英语之间进行互译，处理长达一小时的录音，并区分最多八个说话者。它声称在基准测试中击败了竞争对手，包括 Hugging Face 的 Open ASR 排行榜。

这些工具的目标开发人员为商务会议和医疗转录构建应用程序，这是人工智能在工作场所最牢固的两个立足点。 Nvidia 表示，开发人员可以使用该模型、更新的 Granary 数据集以及 NeMo Speech 模型等工具来定制应用程序，以识别每种语言的行业术语。一个缺点：转录适用于录制的音频，而不是实时流。

尽管如此，该公司承诺 Transcribe 可以在单个芯片上运行 300 亿个参数，从 Jetson AGX Thor 机器人控制器和为新型笔记本电脑供电的 DGX Spark 芯片到 Blackwell 数据中心芯片。它加入了 Nvidia 的开放重量语音模型，包括超小但功能强大的 Parakeet（11 亿个参数）。

Nvidia最新声音

进入正值人工智能语音发布的繁忙时期：Mistral 于本月初发布了 Voxtral 3； ElevenLabs 推出了用于语音代理即时语音的 Realtime； Salesforce 发布了其语音模型 Launa-Omni。