Nvidia 发布可转录 40 种语言的开放式语音模型

Nvidia 将 Nemotron 3.5 Transcribe 作为“开放权重”模型发布，表明其底层训练参数可供开发人员访问。这允许直接使用、修改和集成模型的功能到各种应用程序中。其核心功能包括将口语转换为文本、在多种语言之间进行翻译，以及在音频录音中识别不同的说话者。

Nemotron 3.5 Transcribe 以开放权重格式提供，并附带免费且广泛的 Granary v2 数据集，显著降低了从事语音技术的开发人员和研究人员的入门门槛。这种方法可以通过提供先进的语音处理工具和大量的训练资源，加速创新，潜在地促进更广泛的自定义应用程序和系统改进。

对于开发语音启用产品的公司或个人来说，在没有专有限制的情况下提供功能强大的模型和大型数据集，为开发奠定了基础。然而，报告的信息没有详细说明 Nemotron 3.5 Transcribe 的具体性能基准，也没有提供其发布以来在实际应用或对更广泛开发人员社区的影响方面的见解。