办公协作智能化
NVIDIA Nemotron 3.5 Transcribe:开源可提示转写,覆盖 40 语种与说话人标注
NVIDIA 在 Hugging Face 发布开源权重 Nemotron 3.5 Transcribe:单检查点覆盖多语转写、说话人归属、翻译与音频问答,并同步开源 Granary v2 数据管线。
会议与客服录音常要同时解决「说了什么、谁说的、怎么译、术语怎么写」。分模型拼接成本高,实时流式又是另一条产品线。
据 Hugging Face Blog / NVIDIA,Nemotron 3.5 Transcribe 以开源权重发布:约 30B MoE、每 token 约 4B 活跃参数,可用自然语言提示引导输出。能力包括:40 种语言转写、31 种语言与英语互译、13 种语言说话人归属,单段录音最长约 1 小时、最多标注 8 名说话人,并支持词级时间戳与音频问答(问答训练以英语为主)。官方强调面向录制音频,非直播流式。英文 Open ASR 榜单开源权重第一(平均 WER 5.33%);Artificial Analysis 开源权重 AA-WER 2.8% 并列第一。配套 Granary v2 公开清单涵盖约 46.3 万小时、48 语种 的对齐转写变体与任务标签,可用 NeMo Speech 微调;医疗案例称相对最佳提示在留出说话人上 WER 相对下降 45.8%。
对办公协作与知识沉淀,这给「会后纪要、合规录音、课堂回放」一条可自托管的底座;量化版与 NeMo-Speech.cpp 本地部署仍在路上。选用时请对照任务—语种矩阵,并对人名、说话人切换与行业术语做抽检;同窗 X/@NVIDIAAI 与 TechCrunch 为同一事件,本稿优先 Hugging Face 官方博文作为 core。
flowchart TB
A[录音] --> B[自然语言提示]
B --> C[Nemotron 3.5 Transcribe]
C --> D[转写]
C --> E[说话人标注]
C --> F[翻译]
C --> G[音频问答]
H[Granary v2 / NeMo 微调] -.-> C