NVIDIA 正式發布 Nemotron 3.5 Transcribe,一款可下載及部署的開放權重語音模型。官方表示,模型可處理 40 種語言的轉寫、31 種語言的翻譯、13 種語言的講者辨識,並支援直接向音訊內容提問。
單一模型涵蓋多項語音工作
與需要串接多個專用模型的方案不同,Nemotron 3.5 Transcribe 把轉寫、翻譯、講者歸屬及音訊問答放進同一模型。NVIDIA 公布其約有 43 億個啟用參數,開發者可下載權重,透過 NVIDIA NIM 或自家推理環境在本機及資料中心部署。
模型可處理一般錄音檔,包括會議、講者內容及多語言音訊;官方特別指出,目前版本並非為即時直播而設。這令它更適合需要批次處理、可控私隱或離線部署的錄音工作流,而不是以低延遲為首要目標的即時語音應用。
開放權重與Granary工具鏈
NVIDIA 同時在 Hugging Face 發布相關模型與工具鏈資料,供開發者測試及整合。開放權重讓團隊可以按自身硬件、延遲及資料管線要求部署,亦可進一步研究模型的準確度與偏差。
TechCrunch 與 The Decoder 均以相同功能組合報道今次發布,獨立佐證模型定位。實際效益仍取決於語言、背景噪音、講者重疊及硬件:對需要在單一流程完成錄音整理、字幕、翻譯與內容檢索的團隊,單模型流程可減少服務組裝及資料傳輸,但正式採用前仍應以自己的真實錄音作基準測試。
資料來源
- NVIDIA:Local AI、RTX Spark、模型及 Agent 更新
- NVIDIA Hugging Face:Nemotron Transcribe 與 Granary
- TechCrunch:NVIDIA 發布新開放轉錄模型
- The Decoder:Nemotron 3.5 Transcribe 結合轉寫、翻譯及講者辨識
