英伟达发布 Nemotron 3.5 Transcribe，录音转写可标注不同说话人

英伟达 10 月 28 日发布语音模型 Nemotron 3.5 Transcribe，并开放模型权重供开发者下载。据官方介绍，该模型可将录音转成文字、翻译内容、区分不同发言者，并回答与录音有关的问题。

开发者可以用自然语言指定输出方式，例如要求按发言人转写、把录音译成英语，或回答会议中作出了什么决定。模型也支持词级时间戳，将转写文字对应到录音中的具体位置。

官方模型卡列出 40 种语言的覆盖情况，其中普通话支持转写、与英语双向翻译及多人转写。各项任务支持的语言不同，音频理解和问答仅在英语中评估，在其他语言中的表现可能不可靠。

这款模型面向已经录好的音频，支持最长 1 小时的录音，不提供实时流式转写。说话人标签的作用是区分同一段录音中的发言者，不能确认其现实身份。

与模型一同发布的 Granary v2 提供多语言语音数据的标注清单和处理工具，供开发者准备转写、翻译及音频问答等训练材料。发布内容不含原始录音，开发者需从各数据源另行获取，并遵守相应条款。

英伟达已在 Hugging Face 提供模型权重下载和在线演示入口，并给出自行部署及微调的文档。