NVIDIA Nemotron 3.5 Transcribe 与 Granary v2:可提示的多语言转录模型

2026.10.28 · 收录日 2026.10.28 · 模型 · 新模型 · 官方发布

英伟达开源可提示语音模型,一个权重同时做转录、说话人分离、翻译和音频问答。

NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe,把转录、说话人分离、翻译和音频问答整合进一个 checkpoint,支持 40 种语言转录、31 种语言与英语互译、13 种语言说话人标注。配套开源 Granary v2 数据管线与微调方案,医疗案例中微调使留出说话人 WER 相对最佳提示下降 45.8%。

  • 一个 checkpoint 覆盖转录、说话人分离、翻译与音频问答,可用自然语言提示控制输出形式
  • 支持 40 种语言转录、31 种语言与英语互译、13 种语言说话人标注,可处理最长一小时录音
  • 在 Hugging Face Open ASR 英文榜以 5.33% 平均 WER 居开源权重模型首位,多语言 4.62%、长音频 10.98%
  • 说话人分离在 David AI 21 语言榜错误率最低,并在 VoiceArena 14 系统对比中排名第一
  • Granary v2 数据与 NeMo Speech 微调工具把提示级控制延伸到训练,医疗案例 WER 相对下降 45.8%

为什么值得看

一个开源权重模型同时解决转录、说话人、翻译与音频问答。

适合谁关注

语音应用开发者、多语言会议与医疗转录团队。

原始来源

查看收录日 2026.10.28 全部卡片 · 全部卡片归档