英伟达开源Nemotron 3.5 Transcribe语音转录大模型
原文：NVIDIA Releases Large Speech Transcription Model Nemotron 3.5 Transcribe: It Can Accurately Recognize Even When 8 People Speak Over One Another
近日，AI芯片与科技巨头NVIDIA正式开源了一款新的大型语音转写模型——NVIDIA Nemotron 3.5 Transcribe。作为面向专业语音处理场景打造的前沿开源模型，它在多语种转写准确率、长音频处理和多说话人分离等核心指标上展现出行业领先能力。在底层架构和核心参数方面，Nemotron 3.5 Transcribe采用先进的专家混合（MoE）架构。总参数约340亿，每次前向传播激活43亿参数，在保证强推理能力的同时兼顾运行效率。音频处理方面，该模型单次可处理长达1小时的连续录音文件，满足长音频、会议纪要和访谈节目的转写需求。在多语言支持与翻译方面，模型展现出强大的全球适应性：不仅完整支持多达40种不同语言的精准语音转写，还支持其中31种语言与英语的双向翻译，极大拓宽了其在跨境沟通和多语言内容处理中的应用场景。此外，针对语音识别长期痛点多人对话，该模型可同时区分多达8位不同说话人，并实时完成说话人归属。在权威基准与评测中，Nemotron 3.5 Transcribe同样表现亮眼：在Open ASR英语评测中，其平均词错误率（WER）低至5.33%，在同类开放权重模型中排名第一。在Artificial Analysis的非流式测试中，词错误率进一步降至2.8%，在开源榜单上并列第一。总体而言，凭借大参数规模、出色的抗干扰分离能力和优异的多语言表现