NVIDIA开源Nemotron 3.5语音转文字模型及Granary v2

NVIDIA 开源多功能语音转文字模型 Nemotron 3.5 Transcribe，以及配套的数据处理方案 Granary v2。

平时开会或者整理长录音时，普通语音识别工具往往只能把字打出来，分不清每句话是谁说的，遇到专业术语容易打错，也没法直接针对录音内容提问。

NVIDIA 通过将语音识别和语言模型结合，把听懂语音、区分说话人、翻译以及回答问题都放进了同一个模型里。使用者只需要用平常说话的方式给它下指令，比如“转录这段录音并标出说话人”或者“这次会议的核心内容”，它就能直接输出对应的结果；如果要识别冷门行业词汇，直接在指令里附上术语提示就行。

支持 40 种语言的转录，能同时区分最多 8 个说话人，甚至能处理长达一小时、多人抢话插嘴的复杂对话场景。在多项语音公开评测中，它的识别准确度和说话人区分能力都排在开源工具第一位。在专业医学场景测试中，配合针对性提示词后，专有名词的识别错误率大幅下降。

Hugging Face：https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B