Nvidia 发布 Nemotron 3.5 Transcribe 开源转录模型及 Granary 数据集 v2

Nvidia 于本周三发布了 Nemotron 3.5 Transcribe，这是一款支持 40 种语言音频转录的免费开源权重模型，同时推出了其开源语音数据集 Granary 的第 2 版版本。该模型声称在 Hugging Face 的 Open ASR Leaderboard 等基准测试中表现优于竞争对手，能够处理长达一小时的录音并区分多达八位说话人。

关键事实细节显示，尽管拥有 300 亿（30 billion）参数规模，Nvidia 承诺该模型可在单个芯片上运行，硬件范围从 Jetson AGX Thor 机器人控制器和 DGX Spark 笔记本芯片延伸至 Blackwell 数据中心芯片。这一特性使其与 Parakeet（11 亿参数）一同构成了 Nvidia 的开源语音模型系列，但材料明确指出该工具仅适用于录制音频而非直播流媒体。

推断层面，Nvidia 通过 NeMo Speech 等工具链允许开发者针对特定行业术语进行微调，这表明其战略重心在于巩固会议记录和医疗转录等职场 AI 应用的护城河。猜测层面，虽然 Mistral、ElevenLabs 和 Salesforce 近期均有语音产品发布，但 Nvidia 此次强调的单芯片部署能力可能意在降低端侧语音应用的开发门槛，从而在实时性要求不高的场景下抢占市场份额。