NVIDIA 发布 Nemotron 3.5 Transcribe 模型与 Granary v2 数据管线

报道讲了什么

• NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，已在 Hugging Face 和 ModelScope 提供。
• 同步开放 Granary v2 数据管线与清单，覆盖 48 种语言、463,062 小时、16 个来源语料。

可以做什么

• 单一检查点完成转写、说话人分离、翻译和音频问答，支持 40 种语言转写。
• 可用自然语言提示控制输出形式，例如标注说话人或翻译成英语。
• 在单张 NVIDIA RTX PRO 6000 Blackwell 上以 NVFP4 精度处理 100 小时音频不到三分钟，测试条件为 30 秒片段高并发。

怎么使用

1. 在 Hugging Face 或 ModelScope 下载检查点，并用 vLLM 部署指南提供服务。
2. 先用开发集提示指定语言、书写系统和转写格式，再评估剩余领域错误。
3. 对残留领域错误，用 NeMo Speech 微调流程把代表性语音与明确书写目标配对训练。

结果与限制

• 模型面向录制音频，不支持实时流式转写。
• 医疗微调后通用英语 LibriSpeech test-clean WER 从 1.54% 略升至 1.69%。
• Granary v2 的时长与语言数字描述数据集发布，不代表模型完整训练混合或采样权重。

使用入口与依据