MAE WIRE · 智东西

30秒录音,0.13秒转完!英伟达开源340亿参数语音模型

来源 智东西 作者 黄 菲 2026-10-29 · 21 天前 中文
30秒录音,0.13秒转完!英伟达开源340亿参数语音模型
Summary · 摘要

智东西 编译 | 黄菲 编辑 | 江宇 智东西10月29日消息,今日,英伟达发布并开源语音模型Nemotron 3.5 Transcribe,该模型整合了语音转写、多人发言识别等能力,在英文语音识别的9个公开测试集上,其平均词错误率(WER)为4.71%,优于阿里巴巴的Qwen3-ASR-1.7B(4.94%)。该模型支持40种语言,最长可处理1小时录音,用户无需微调便可通过自然语言指令调整转写风格。 ▲英伟达发布开源语音模型Nemotron 3.5 Transcribe,来源:NVIDIA 从模型参数来看,Nemotron 3.5 Transcribe的总参数量约为340亿,每次推理时激活的参数量约为43亿。 在英文语音识别测试中,该模型在9个公开测试集上的平均词错误率(WER)为4.71%,低于表中其他语音模型。 在多语言语音识别测试中,该模型的平均WER为4.62%,排名第三,优于Qwen3-ASR-1.7B、Voxtral-Small-24B和Whisper-large-v3,但表现不及ElevenLabs Scribe v2和Azure Speech。 传统语音识别系统主要负责将语音转换为文字,而Nemotron 3.5 Transcribe还能根据任务需求调整转写文本的形式,结合上下文提高专有名词的识别准确率,并标注不同说话人的发言。 一、单模型支持六种转写,覆盖40种…

阅读全文 zhidx.com