NVIDIA发布Nemotron 3.5 Transcribe开源语音模型，覆盖40种语言转录与31种语言翻译

NVIDIA发布开源语音模型Nemotron 3.5 Transcribe，将转录、说话人识别、翻译和音频问答集成于同一检查点。该模型支持转录40种语言，在31种语言上与英语互译，并为13种语言标注说话人，可处理最长一小时的录音并识别至多八位说话人。开发者可通过自然语言提示控制输出格式，例如指定转录样式或要求翻译为英文。

在评测榜单中，Nemotron 3.5 Transcribe在Hugging Face Open ASR排行榜英文赛道位列开源模型第一，平均词错误率5.33%；在David AI的21语言说话人归属排行榜中取得最低错误率，并在VoiceArena的14系统对比中排名第一。该模型采用混合Mamba-Transformer混合专家架构，约30B参数中每token仅激活约4B，可在单张NVIDIA GPU上运行，从Jetson AGX Thor、DGX Spark到Blackwell数据中心系统均可部署。

同步开源的Granary v2是用于模型训练的多语言数据管线，公开清单覆盖463,062小时、48种语言和16个来源语料库，为每段录音生成逐字与干净两种转录变体，并附带音频描述、代码切换恢复、语音问答对等训练目标。开发者可用NeMo Curator在自有录音上运行该管线，或直接使用公开清单。

NVIDIA还提供了NeMo Speech微调工具与医疗语音案例。研究以Eka Care的印度医疗语音基准为测试集，通过合成语音与真实录音构建适配数据，微调后留存说话人的词错误率从22.44%降至12.17%，相对降低45.8%。完整案例教程可在相关仓库中复现。