NVIDIA 发了个新的语音模型，叫 Nemotron 3.5 Transcribe。 覆盖面很广，40 种语言转写、31 种语言互译、13 种语言的说话人… · @wlzh · TwKit

@wlzh

NVIDIA 发了个新的语音模型，叫 Nemotron 3.5 Transcribe。 覆盖面很广，40 种语言转写、31 种语言互译、13 种语言的说话人归属都能做。 长音频也不怕，1 小时、8 个说话人的场景能直接处理。 精度这块有个硬成绩，AA 非流式测试 2.8% 的词错率，并列第一。 模型本身是 30B 参数，实际激活约 4B，推理成本不算大。 训练数据也公开了，Granary v2 有 463062 小时、48 种语言，规模很扎实。https://huggingface.co/blog/nvidia/nemotron-transcribe-granary

曝光 127 · 评论 0 · 点赞 0 · 书签 0