NVIDIA 发布开源语音模型 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe，将 40 种语言转录、31 种语言翻译、13 种语言说话人分离和音频问答合并到一个检查点，在 Hugging Face Open ASR Leaderboard 英文榜以 5.33% 平均 WER 位列开源模型第一。模型采用混合 Mamba–Transformer MoE 架构，30B 参数中每 token 仅激活约 4B，可单卡部署，支持最长一小时录音和最多 8 个说话人。 同时开源 Granary v2 数据管线，覆盖 48 种语言共 463,062 小时；NVIDIA 称医疗案例中微调将 held-out WER 从 22.44% 降至 12.17%，相对下降 45.8%。 注意限制：该模型面向已录制的音频，不支持实时流式处理；使用 Granary v2 时需在各语料库原始许可下单独下载源音频并遵守发布条款。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。