跳转到内容
主站 新闻 控制台

NVIDIA Nemotron 3.5 Transcribe 与 Granary v2:可提示、可适配的智能多语言转录

· Hugging Face
教程模型卡

一个兼具多语言转录、说话人归属、翻译与音频问答的开源模型,取得排行榜顶尖成绩,并附带开源 Granary v2 数据流水线及微调方案

一份转录文本即使完整记录了说出的每一个字,用户或应用程序仍可能不清楚“谁说了什么”、该如何翻译,或者如何对特定领域的专业术语进行格式化。多语言通话、快节奏会议以及医疗听写,各自都需要不同的输出结果:翻译文本、说话人标签,或是拼写准确的医学术语。

NVIDIA Nemotron 3.5 Transcribe 是一款开放权重(open-weight)、支持提示词驱动(promptable)的模型,能将语音录音转换为高实用性的文本,现已上线 Hugging Face 与 ModelScope。它将语音转录、说话人归属(diarization)、翻译以及音频问答整合到了单一模型权重(checkpoint)中:支持 40 种语言的转录,支持其中 31 种语言与英语之间的双向互译,并在 13 种语言中支持说话人归属识别。它能够处理长达一小时的录音,并可标记多达 8 位说话人。开发者