Nvidia 开源 Nemotron 3.5 Transcribe,集转录、翻译与说话人识别于一体
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,按指令即可完成转录、翻译、说话人识别和录音内容问答,支持 40 种语言转录、31 种与英语互译、13 种识别说话人,可处理最长 1 小时、最多 8 名说话人的录音。
英伟达把转录、翻译和说话人识别合并进一个单卡可跑的开源模型,商用语音转写服务的价格与性能基准被明显抬高。
- 影响会议转写、翻译和说话人标注负载可在自有 GPU 上对标商用 API 成本;开放数据集与微调工具让医疗等专业术语场景可自行定制;模型不支持实时处理,直播和实时语音场景暂不适用。
- 参考可考虑先算出当前转写与翻译的用量和 API 账单,再对比单卡部署的硬件成本;有行业术语的场景值得按英伟达建议准备至少 100 条已核验真实录音做定制测试,并先用官方 demo 抽测典型录音。