语音 AI 正当红：英伟达发布全新开放转录模型

英伟达周三发布了 Nemotron 3.5 Transcribe，这是一款免费、开放权重的模型，可转录多达 40 种语言的音频。该公司还发布了其开源语音数据集 Granary 的第二个版本。 英伟达宣称，Nemotron 3.5 可实现 31 种语言与英语之间的双向翻译，处理最长一小时的录音，并区分最多 8 名说话人。该公司还称，该模型在 Hugging Face 的 Open ASR Leaderboard 等基准测试中胜过竞争对手。 这些工具面向为企业会议和医疗转录构建应用的开发者，这两个领域是 AI 在工作场所中最成熟的应用阵地之一。英伟达表示，开发者可利用该模型、更新后的 Granary 数据集以及 NeMo Speech 等工具，定制应用，以识别各语言中的行业术语。一个不足是：Transcribe 仅适用于录制音频，而非实时流。 不过，英伟达承诺，拥有 300 亿参数的 Transcribe 可在单颗芯片上运行，从 Jetson AGX Thor 机器人控制器和为新款笔记本电脑提供算力的 DGX Spark 芯片，到 Blackwell 数据中心芯片均可支持。它加入了英伟达的开放权重语音模型阵容，其中包括体积超小但性能强大的 Parakeet（11 亿参数）。 英伟达此次发布语音新品，正值 AI 语音模型密集亮相期：Mistral 本月早些时候推出了 Voxtral 3；ElevenLabs 发布了用于语音代理即时语音的 Realtime；Salesforce 则推出了其语音模型 Launa-Omni。