英伟达发布Nemotron 3.5多语言转录模型
原文：NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt
NVIDIA Nemotron 3.5 Transcribe 与 Granary v2：可提示、可适配的智能多语言转写。一个开放模型即可完成多语言转写、说话人归属、翻译和音频问答，在多项榜单上名列前茅，同时提供开放的 Granary v2 数据流水线和微调方案以便适配。一份转写文本可以记录每一个说出的词，却仍让用户或应用困惑于谁说了什么、如何翻译，或如何格式化领域特定术语。多语言通话、快节奏会议和医疗口述各自需要不同的输出：翻译、说话人标签，或拼写正确的医学术语。NVIDIA Nemotron 3.5 Transcribe 是一个开放权重、可提示的模型，可将录制的语音转化为有用的文本，现已在 Hugging Face 和 ModelScope 上提供。它将转写、说话人归属（diarization）、翻译和音频问答整合到一个检查点中：可转写 40 种语言，支持其中 31 种语言与英语互译，并在 13 种语言中归属说话人。它可处理长达一小时的录音，并标注最多八位说话人。开发者可以用自然语言引导输出，选择音频处理位置，并让识别适配领域词汇和口音。Transcribe 在 Hugging Face Open ASR Leaderboard 英语榜单上位列开放权重模型第一，并处于 Artificial Analysis 的准确率—活跃参数前沿。在说话人归属方面，它在 David AI 的 21 语言 diarization 榜单上取得最低错误率，并在 VoiceArena 的 14 系统对比中排名第一。它可在单块 NVIDIA GPU 上运行，从 DGX Spark 到 Blackwell 数据中心系统均可。Granary v2 的多语言数据（已在 Hugging Face 和 ModelScope 上提供）和可复用的数据整理流水线，连同 NeMo Speech 微调工具，将提示级控制延伸到训练：开发者可以定义所需的书面形式，并让模型适配其应用所遇到的语音。在一个医疗案例研究中，微调将 wor