AI资讯

Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe,支持 40 种语言、300 亿参数可单芯片运行

Nvidia 发布开源语音转写模型 Nemotron 3.5 Transcribe,支持 40 种语言、300 亿参数可单芯片运行

来源TechCrunch AI查看原文

速览

  • Nvidia 补齐开源语音转写产品线,与已有的 Parakeet(11 亿参数)形成大小搭配
  • 主打商务会议与医疗转写两个落地场景,强调行业术语定制能力
  • 300 亿参数可单芯片运行,指向端侧与边缘部署
  • 只支持录音、不支持直播流,是明确的场景限制
  • 语音模型近期密集发布,Mistral、ElevenLabs、Salesforce 均有动作

Nvidia 周三发布 Nemotron 3.5 Transcribe,这是一个免费、开放权重的语音转写模型,支持最多 40 种语言的音频转写。同时发布的还有其开源语音数据集 Granary 的 2.0 版本。Nvidia 称该模型可在 31 种语言与英语之间互译,能处理最长一小时的录音,最多可区分 8 位说话人,并在包括 Hugging Face Open ASR Leaderboard 在内的基准测试中优于竞品。该模型面向商务会议与医疗转写两类应用的开发者,可配合 Granary 数据集和 NeMo Speech 等工具,针对各语言的行业术语做定制。局限在于它只处理录音文件,不支持直播流。模型规模为 300 亿参数,Nvidia 称其可运行在单颗芯片上,覆盖 Jetson AGX Thor 机器人控制器、为新款笔记本提供算力的 DGX Spark,以及 Blackwell 数据中心芯片。

关键事实

  • Nvidia 于 2026 年 10 月 28 日发布 Nemotron 3.5 Transcribe,免费、开放权重
  • 支持最多 40 种语言转写,31 种语言与英语互译
  • 可处理最长 1 小时录音,最多区分 8 位说话人
  • 模型为 300 亿参数,Nvidia 称可运行在单颗芯片上,包括 Jetson AGX Thor、DGX Spark 和 Blackwell 数据中心芯片
  • 同步发布开源语音数据集 Granary 的 2.0 版本
  • Nvidia 称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品

本站视角

对做会议记录、医疗病历、客服质检这类转写应用的中文开发团队来说,这件事的直接意义是:多了一个可商用、可自行部署的开源权重选项,且 300 亿参数能跑在单卡上,意味着私有化部署的硬件门槛可能明显低于同等规模的语言模型。但要注意两点。第一,Nvidia 宣称的基准领先来自自家口径,原文只提到「包括 Hugging Face Open ASR Leaderboard」,没有给出具体分数和对比对象,这类厂商自述需要等第三方复现后再采信。第二,40 种语言里中文的支持程度、行业术语定制的实际效果,原文均未展开,而这恰恰是国内团队最关心的部分。我们认为,Nvidia 真正的意图不只是卖模型,而是让语音推理继续绑定自家芯片:从机器人控制器到笔记本再到数据中心,模型在哪个芯片上都能跑,等于把开发者锁进 CUDA 生态。另一个需要观察的是「不支持直播流」这一限制——实时语音转写正是当前语音 Agent 最热的需求,Nvidia 把这块留给了后续版本,也留给了 ElevenLabs 这类专做实时语音的厂商。

背景与影响

Nvidia 在开源权重模型上的投入已从语言模型延伸到语音,此前已有 Parakeet 这类小参数模型。此次 Nemotron 3.5 Transcribe 以 300 亿参数规模进入转写赛道,同时强调能在 Jetson AGX Thor、DGX Spark 和 Blackwell 等自家芯片上单卡运行,这意味着模型发布与硬件生态是绑定的:开发者用得越多,对 Nvidia 芯片的依赖越深。Granary 数据集更新到 2.0 版本,则是在数据层面为行业术语定制提供支撑。从竞争格局看,本月 Mistral 的 Voxtral 3、ElevenLabs 的 Realtime、Salesforce 的 Launa-Omni 相继发布,语音正在成为各家模型厂商争夺的新战场,而转写是其中商业化路径最清晰的方向之一。

本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。

编辑与审校

AI大海啸编辑部

负责选题、审校与「本站视角」的判断。

编辑流程与 AI 使用说明