Nvidia 發佈可轉錄 40 種語言的開放式語音模型

Nvidia 將 Nemotron 3.5 Transcribe 作為「開放權重」模型發佈，表示其底層訓練參數可供開發人員存取。這允許直接使用、修改和整合模型的功能到各種應用程式中。其核心功能包括將口語轉換為文字、在多種語言之間進行翻譯，以及在音訊錄音中識別不同的說話者。

Nemotron 3.5 Transcribe 以開放權重格式提供，並附帶免費且廣泛的 Granary v2 數據集，顯著降低了從事語音技術的開發人員和研究人員的入門門檻。這種方法可以透過提供先進的語音處理工具和大量的訓練資源，加速創新，潛在地促進更廣泛的自訂應用程式和系統改進。

對於開發語音啟用產品的公司或個人來說，在沒有專有限制的情況下提供功能強大的模型和大型數據集，為開發奠定了基礎。然而，報告的資訊沒有詳細說明 Nemotron 3.5 Transcribe 的具體性能基準，也沒有提供其發佈以來在實際應用或對更廣泛開發人員社群的影響方面的見解。