英伟达周三发布了 Nemotron 3.5 Transcribe。这是一款免费、开放权重的模型，能够转录多达40种语言的音频。该公司还发布了开源语音数据集 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双向翻译，处理时长最长达1小时的录音，并区分最多8名说话者。该公司声称，这款模型在多个基准测试中超越了竞争对手，包括 Hugging Face 的 Open ASR Leaderboard（开放式自动语音识别排行榜）。
这些工具主要面向开发者，帮助他们构建用于商务会议和医疗语音转录的应用。这两个领域是人工智能在职场中应用最成熟的场景之一。
英伟达表示，开发者可以结合使用这款模型、更新后的 Granary 数据集以及 NeMo Speech 等工具，定制应用程序，使其能够识别不同语言中特定行业的专业术语。
不过，该模型也存在一项局限：Transcribe 只能处理已经录制的音频，无法转录实时音频流。
尽管如此，英伟达承诺，这款拥有300亿参数的 Transcribe 模型能够在单颗芯片上运行，适用硬件包括 Jetson AGX Thor 机器人控制器、为新款笔记本电脑提供算力的 DGX Spark 芯片，以及用于数据中心的 Blackwell 系列芯片。
该模型也加入了英伟达的开放权重语音模型阵营，其中包括体积极小但性能强劲的 Parakeet 多语言语音识别模型，其参数量为11亿。
英伟达此次推出新的语音模型，正值人工智能语音技术密集发布之际。本月早些时候，Mistral 发布了 Voxtral 3；ElevenLabs 推出了 Realtime，可为语音智能体提供即时语音处理能力；Salesforce 则发布了自己的语音模型 Launa-Omni。
