NVIDIA发布Nemotron 3.5 Transcribe及Granary v2，RTX Spark搭载

Nvidia 发布了开源语音模型 Nemotron 3.5 Transcribe，该模型集成了转录、翻译和说话人识别功能，并支持通过文本指令进行灵活控制。它在多个基准测试中表现优异，包括 Hugging Face 的 Open ASR Leaderboard 和 Artificial Analysis 的比较，显示出在精度和效率上的优势。 该模型拥有 300 亿参数，但每次处理仅激活约 40 亿参数，使其能够在单个 Nvidia GPU 上高效运行，适用于从紧凑型 DGX Spark 到数据中心硬件的各种设备。在 RTX PRO 6000 Blackwell Server Edition 上，它能在不到三分钟内处理 100 小时的音频。此外，Nvidia 还发布了 Granary v2 数据集，包含约 84.4 万小时的语音数据，涵盖 48 种语言，并提供了用于构建数据集的工具。 尽管 Nemotron 3.5 Transcribe 在通用任务上表现出色，但在特定领域（如医疗）的微调仍需额外训练数据。例如，针对印度医生和医学生的录音进行微调后，错误率显著降低。然而，这种专业化也带来了一定的代价，如在通用英语语音上的错误率略有上升。Nvidia 建议在使用自定义版本时至少准备 100 条真实验证的录音进行测试。 事实：Nemotron 3.5 Transcribe 是一个开源语音模型，支持多种语言和任务，可在单卡 GPU 上运行。 推断：该模型适合需要高效、低成本语音处理的场景，尤其是那些对实时性要求不高的应用。 猜测：未来可能会有更多基于此模型的定制化解决方案出现，特别是在医疗和法律等专业领域。

NVIDIA 宣布 RTX Spark Windows 笔记本正式面向开发者、创作者和玩家开放，搭载 Blackwell GPU 与 Grace CPU 超级芯片，提供最高 128GB 统一内存和高达 1 petaflop 的 FP4 AI 性能。此次更新重点引入了 Nemotron 3.5 Transcribe 语音模型、LFM3 系列开源模型以及针对游戏和创作工具的 DLSS 4.5 与 RTX Remix 1.6 支持。 在技术细节上，Nemotron 3.5 Transcribe 以约 43 亿活跃参数实现了 Hugging Face Open ASR 榜单第一，相比同类开源模型参数量减少 80%，支持 40 种语言转录及翻译，并可通过 NeMo-Speech.cpp 或 vLLM 部署 NVFP4 版本。同时，NVIDIA App 新增资源管理功能，允许用户在系统设置中手动分配 GPU 算力给前台应用或后台运行的 Agent，解决了本地多任务场景下的资源争抢问题。 商业层面，RTX Spark 笔记本起售价 2,599 美元，由 ASUS、Dell、HP 等厂商供货，标志着 NVIDIA 将云端 CUDA 平台能力完整迁移至便携设备。虽然官方宣称可运行 90GB 渲染场景，但实际体验仍受限于硬件形态与散热设计，目前主要适用于特定开发工作流而非通用消费级替代方案。

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。

NVIDIA 在 Hugging Face 和 ModelScope 发布了 Nemotron 3.5 Transcribe 开源权重模型及配套的 Granary v2 数据管线。该模型集成了转录、说话人归属（diarization）、翻译和音频问答功能，支持 40 种语言转录和 31 种语言英译，单次处理时长可达一小时，并在 Hugging Face Open ASR Leaderboard 上以 5.33% 的平均 WER 位居开源模型榜首。 模型采用混合 Mamba–Transformer 专家架构，30B 参数中仅约 4B 活跃参数即可达到 2.8% AA-WER 的精度，处于准确率与活跃参数的帕累托前沿。Granary v2 公开了包含 463,062 小时数据的清洗管线，通过 NeMo Curator 生成三种不同格式的转录目标。在 Eka Care 的医疗场景测试中，结合提示词优化与 LoRA 微调，将未见说话人的字错率（WER）降低了 45.8%，证明了该方案在特定领域的泛化能力。 事实层面，该模型已支持在 NVIDIA RTX PRO 6000 Blackwell Server Edition GPU 上运行，且可通过 vLLM 部署。推断层面，这种“预训练 + 提示词 + 轻量微调”的组合策略可能降低企业级语音应用的门槛，特别是对于需要处理专业术语或口音的场景。猜测层面，虽然文章展示了医疗领域的成功，但通用场景下的表现是否同样稳健仍需更多第三方验证，且目前主要针对录音而非实时流媒体。