Nvidia 发布可提示的转录模型

Nvidia 发布了 Nemotron 3.5 Transcribe，这是一个开源权重的多语言转录模型。以前的转录模型只能按音频原样转写，出错了也不好纠正；这次的新模型支持在开始前给它提示，比如告诉它这是英语医学讨论、附上专业术语表，还能要求标注说话人、指定逐字或整理后的格式。它可以处理 40 种语言、最长一小时的录音，但不支持实时直播。Nvidia 称它在 Hugging Face 英语开源语音识别榜上以 5.33% 的平均词错率排第一，在部分基准上还优于参数量大得多的 Voxtral。开发者可以用 vLLM 部署，或用 NeMo-Speech.cpp 在本地单 GPU 上运行，也能用 NeMo 工具微调以进一步降低错误率。模型已经发布，属于开源权重，采用 OpenMDW-1.1 许可。