英伟达开源多语种语音模型，300亿参数可单芯片部署

【科技24时区】周三，英伟达（Nvidia）正式推出 Nemotron 3.5 Transcribe。这款免费且权重开放的模型，主打对多达40种语言的音频进行转录。与此同时，其配套的开源语音数据集 Granary 也更新到了2.0版本。

值得注意的是，英伟达在性能指标上颇为自信：Nemotron 3.5 不仅支持英语与其他31种语言的双向翻译，还能处理长达一小时的录音文件，并具备区分最多八个说话人的能力。官方声称，该模型在包括 Hugging Face 开放自动语音识别排行榜在内的多项基准测试中击败了竞争对手。

这些工具主要面向两类应用场景：商业会议记录与医疗听写。这也是人工智能目前在办公领域最为稳固的两个切入点。据英伟达介绍，开发者可以利用该模型、更新的 Granary 数据集以及 NeMo Speech 等工具，针对特定行业的术语习惯，定制出具备多语言识别能力的应用程序。

当然，目前存在一个明显的局限：Transcribe 仅支持处理已录制的音频，尚无法应对直播流场景。不过，英伟达强调，拥有300亿参数的 Transcribe 模型具备极高的能效比，可在单一芯片上运行。其适配硬件范围广泛，从 Jetson AGX Thor 机器人控制器、驱动新型笔记本电脑的 DGX Spark 芯片，到 Blackwell 数据中心芯片，均能胜任。

此举进一步丰富了英伟达的开源语音模型阵容，此前该公司已发布过参数量仅为11亿但性能强劲的 Parakeet 模型。英伟达此次入局，正值 AI 语音领域竞争白热化之际：本月早些时候，Mistral 发布了 Voxtral 3；ElevenLabs 推出了用于语音代理即时对话的 Realtime 功能；Salesforce 则发布了其语音模型 Launa-Omni。