语音 AI 正当红：Nvidia 发布新的开放转写模型

Nvidia 刚刚发布了一个免费的语音转文本模型，最多可转写 40 种语言，但它只支持录音而非实时音频，因此对会议与医疗转写工具是一大步，实时场景仍留给 ElevenLabs 等对手。

Nvidia 周三发布了 Nemotron 3.5 Transcribe，一个免费、开放权重的模型，最多可转写 40 种语言的音频。它还发布了其开源语音数据集 Granary 的第 2 版。

Nvidia 宣称 Nemotron 3.5 可以在 31 种语言与英语之间互译，处理长达 1 小时的录音，并区分多达 8 个说话人。该公司声称它在包括 Hugging Face 的 Open ASR Leaderboard 在内的基准上击败了对手。

这些工具面向为商务会议和医疗转写开发应用的开发者——这是 AI 在职场中扎根最深的两个领域。Nvidia 表示，开发者可以利用该模型、更新后的 Granary 数据集以及 NeMo Speech 模型等工具，定制应用以识别各行业、各语言的行话。一个缺点是：Transcribe 处理的是录音音频，而非实时音频流。

尽管如此，该公司承诺参数规模 300 亿的 Transcribe 可以在单颗芯片上运行，从 Jetson AGX Thor 机器人控制器和驱动新款笔记本的 DGX Spark 芯片，到 Blackwell 数据中心芯片均可。它加入了 Nvidia 的开放权重语音模型行列，其中包括体积极小却实力强劲的 Parakeet（11 亿参数）。

Nvidia 此次发布语音新品之际，正值 AI 语音发布的繁忙时期：Mistral 本月初发布了 Voxtral 3；ElevenLabs 推出了面向语音 agent 即时语音的 Realtime；Salesforce 则发布了其语音模型 Launa-Omni。