NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，在开放权重语音转文本模型中并列第 1

NVIDIA 的 Nemotron 3.5 Transcribe 是一款全新的开放权重、可提示的语音转文本模型：一个 300 亿参数的混合专家模型，活跃参数约 40 亿。NVIDIA 表示，同一个检查点可处理 40 种语言的转录、说话人归属、翻译、上下文提示和音频理解，并且模型权重、数据和配方均已开放。该模型现已在 Hugging Face 上线，并提供在线演示。

Artificial Analysis 报告的结果（其自身数据）：

• 它在 AA-WER Index 上的得分为 2.8%，与 Mistral 的 Voxtral Small 并列开放权重模型第 1，优于 Thinking Machines 的 Inkling（3.5%）。相比之下，NVIDIA 此前表现最好的 Canary Qwen 2.5B 得分为 4.3%。
• 在其语音代理对话数据集 AA-AgentTalk 上，它的得分为 1.8%，Voxtral Small 为 2.3%。
• 它仅用少 6 倍的活跃参数（40 亿对 240 亿），就达到了 Voxtral Small 的准确率；其他规模相近的开放权重模型 WER 约为 4%。
• 在 DeepInfra 的托管端点上，它的速度因子达到 75 倍（不到一秒即可处理一分钟音频），费用为每 1,000 分钟音频 2.00 美元。

NVIDIA 的说法：

• 在 Hugging Face Open ASR English 排行榜的开放权重模型中排名第 1，平均词错误率为 5.33%。
• 在 VoiceArena 对 14 个系统进行的说话人分离加 ASR 对比中，以及 David AI 的多语言说话人分离基准测试中，均排名第 1。
• 在一项医疗 ASR 案例研究中，使用 Granary v2 开放语音数据和 NeMo Speech 工具进行微调后，相比在留出说话人数据上表现最佳的提示，词错误率降低了 45.8%。

截至 10 月 28 日，Artificial Analysis 的 X 帖子获得 64 个赞；截至 10 月 29 日，NVIDIA 的公告获得 6,612 个赞和 230 条评论。