Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，整合转写、翻译与说话人识别

报道讲了什么

• Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持用文本指令控制输出形式。
• 同步发布 Granary v2 数据集，约 84.4 万小时语音、48 种语言，并提供构建数据集的工具。
• 模型与数据集已放在 Hugging Face，并提供可试用的演示。

可以做什么

• 按提示把同一段会议录音输出为带说话人标签的转写、英文翻译或决策摘要。
• 可传入药名等技术术语作为提示，模型被设定为仅在录音中实际出现时使用。
• 支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人识别，处理最长 1 小时录音。

怎么使用

1. 从 Hugging Face 获取模型与数据集，或先使用官方演示试用。
2. 做领域定制时，Nvidia 提供微调指南和一个让 AI 编码助手执行训练流程的扩展。
3. 构建定制版本时，建议预留至少 100 条真实且经核验的录音用于测试。

结果与限制

• 模型仅面向已录制音频，不支持实时处理。
• 功能因语言而异，音频问答功能仅以英语训练。
• Nvidia 建议人工抽查人名、说话人切换和回答内容。

使用入口与依据