|
NVIDIA于10月28日在Nemotron研究站发布Nemotron 3.5 Transcribe。这是一款开放权重语音语言模型，针对录音转写和语音理解任务设计。
它支持40种语言，可处理最长约1小时的录音；同一模型覆盖逐字稿、书面化转写、上下文提示、说话人归属、语音翻译和语言识别。用户可用自然语言指定转写风格，无需为不同格式重新训练。模型还可按需输出说话人标注的逐词时间戳。
NVIDIA介绍，该模型结合语音编码器、说话人分离模型与Nemotron 3.5 Lightning，并有约4.3B激活参数。官方报告称，它在其列出的英文与多语种Open ASR Leaderboard测试集上取得平均WER 4.71%与4.62%；这是发布方报告的评测结果。
模型权重以OpenMDW-1.1许可开放，并提供BF16、FP8、NVFP4及GGUF等版本，另有NeMo Speech微调工具包。更多技术说明与权重入口见NVIDIA原文：
https://research.nvidia.com/labs/nemotron/NVIDIA-Nemotron-3.5-Transcribe/ |
0