IT 之家 10 月 29 日消息，英伟达昨日（10 月 28 日）宣布推出开放权重语音转录模型 Nemotron 3.5 Transcribe，并同步公开训练数据管线 Granary v2。
Nemotron 3.5 Transcribe 模型整合转录、说话人归属、翻译和音频问答，主要面向会议纪要、课堂录像、访谈整理和多语言客服等场景。
该模型最大亮点是应对 " 多人同时说话 " 的能力。模型在生成文本时即可为每段发言标注说话人。官方演示中，它对 1940 年电影《他的女友礼拜五》中语速极快、大量重叠对白的场景，也能分角色生成字幕。
在 Artificial Analysis 的非流式词错误率指数中，以 2.8% 的成绩与 Voxtral Small Transcribe 并列开源模型首位。说话人归属方面，它在 David AI 的 21 种语言说话人分离基准中录得 18.26% 的最低错误率。IT 之家附上相关图片如下：
它把原始 / 已有标注的音频自动加工成多种转录格式、翻译、字幕、问答和指令对，供 ASR、语音翻译和语音指令微调使用。
公开的 Granary v2 数据清单覆盖 463,062 小时音频、48 种语言、16 个源语料库，相比 Granary v1 的 25 种语言明显扩展。
文本规范化逐字稿（tn_raw）：保留 " 呃 "" 嗯 " 等不流畅表达，但数字等文本形式规范化，例如 "I paid, uh, twenty-five euros."
逆文本规范化、含不流畅表达（itn_raw）：把口语数字还原为书面符号，如 "I paid, uh, 25."
逆文本规范化、去除不流畅表达（itn_clean）：输出干净可读文本，如 "I paid 25."
