NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2

OmniTools 10月28日消息，NVIDIA 在 Hugging Face 和 ModelScope 上线开放权重、可提示的语音模型 Nemotron 3.5 Transcribe。该模型将转录、说话人分离、翻译和音频问答整合在同一个模型中，支持 40 种语言转录、31 种语言与英语互译，并可在 13 种语言中标注说话人；可处理最长 1 小时录音，最多标记 8 位说话人。

开发者可用自然语言指令控制输出，例如要求标注说话人、翻译成英语或回答会议决策问题。模型可在从 DGX Spark 到 Blackwell 数据中心系统的单张 NVIDIA GPU 上运行。NVIDIA 称，其在 Hugging Face Open ASR Leaderboard 英语开放权重模型中排名第一，平均 WER 为 5.33%。

同步发布的 Granary v2 是开放多语言数据管道，公开清单覆盖 48 种语言、16 个来源语料，共 463,062 小时，较 Granary v1 的 25 种语言有所扩展。NVIDIA 还提供 NeMo Speech 微调工具；其医疗案例研究显示，微调后留出说话人的 WER 相对最佳提示词降低 45.8%。