AI图鉴

AI图鉴首页 › AI 资讯 › NVIDIA 发布尼莫特龙 3.5 转录:一个开放 30B MoE 模型,用于使

NVIDIA 发布尼莫特龙 3.5 转录:一个开放 30B MoE 模型,用于使用 ~4B 活性参数的 40 语言转录

来源:MarkTechPost · 发布时间:10-29 · 由 AI图鉴每小时自动聚合

NVIDIA 发布尼莫特龙 3.5 Trancis,一个带有4.3B活性参数的开放权重语音LLM. 它转录了40种语言,新增扬声器标签和单词时间

NVIDIA拥有发布 Nemotron 3.5 Trancis,一种开放权重语音LLM为转录而建。 一个型号处理40种语言,录音时间长达1小时。 文本指令选择每个请求的输出样式。 选项包括逐字记录、书面形式、演讲者属性、背景和翻译产出。 对于开发者来说,它可以替换单独的ASR,对齐化和对齐工具。

TL;数据

- 大小:共34B,约4.3B活性参数;65 536个上下文;音频最多1小时。

- 运行在:1x H100 80 GB在BF16. FP8(约35 GB)和NVFP4(约21 GB)检查站;NVFP4运行在RTX 5090上。 GGUF文件的目标是NeMo-Speech.cpp.

- 性能:英语和多语种开放ASR Leaderboards上的最佳开放权重模型;顶级商业API仍然领先。

- 最佳:4.71%在9套公开的英语开放ASR中表示WER(下一个开放型号:4.94%).

- 最糟糕的是:34.95%的cpCER在Ali Meeting 普通话的远野会议上。

- 底线:最好的事:1个开放型号,覆盖文字记录,扬声器标签,时间戳和翻译。 最糟的是:只下线,普通话会议准确性差。

什么是尼莫特龙3.5转写?

尼莫特龙 3.5 Transis是一个来自NVIDIA的语音增强语言模型(SALM),将音频和指令转化为文本。 一个音频编码器输入嵌入到LLM解码器中,这使得转录可以迅速。 NVIDIA的技术研究报告认为没有一份正确的记录。 数字,填充器和域名术语取决于谁读取输出。 NVIDIA将模型定位为抄写专家,而非通用助理。

建筑如何运作?

它有三个部分:

- 平行专家编码器:可装火车的0.6B变形器ASR编码器运行在冷冻的尼莫特龙3 Diarization模型旁。 潜水器追踪到8个喇叭协会的演讲活动每80分钟增加一次。 LLM因此看到谁在何时说话,没有架构变化。

- LLM骨干:尼莫特龙3.5闪电30B-A3B,一种混合的曼巴-Transformer MoE. 它有52层:23 Mamba-2,23 MoE,只有6个关注层。 教育部每层路线为128名专家中的6名加上1名共享专家。 很少的注意层保持 KV 缓存小于小时音频。

- 添加:用于投机解码的共享多键预测层草稿。 一个50M参数的CTC适配器将完成的记录稿与音频对齐,用于文字时间戳。

型号名称称 30B-A4B,但检查站持有约34B参数。 额外重量来自1.3B MTP模块和音频组件。

在256个H100GPU上使用1个受监督的微调级培训,共28,500步。 随后是短暂的RL阶段:400个普惠制O更新,奖励1减WER. 该模型看到了大约1.72M独特的音频小时,或者说6.5M小时的重复。

基准测试的得分如何?

以下所有数字均由NVIDIA在技术报告中自行报告。

- 英语开放ASR(9套公开版):4.71%为WER。 接下来的公开赛模式Qwen3-ASR-1.7B,得分4.94%. 7个商业系统仍然领先,由OtterAI语音V3.1控制,占3.88%.

- 多语言开放ASR(7种语言):4.62%为WER,而Qwen3-ASR-1.7B为6.49%。ElevenLabs Scribe v2达到3.56%。

- 长式ASR:10.98%为WER,Parakeet-TDT-0.6B-v3为13.37%。

- 多语种,全会话:15.80%为CpWER,16.83%为DiCoW v3.3与DiariZen。 NVIDIA 称是这里第一个击败级联系统的SALM.

- 背景 ASR:一个实体在背景ASR-Bench上列出削减命名实体WER,从12.21%到2.20%.

你怎么部署尼莫特龙3.5转写器?

BF16,FP8,NVFP4和GGUF中的重量级舰只。 一个DFlash2草案模型是可选的。 OpenMDW-1.1许可允许商业使用。

运行时段包括VLLM 0.32.0,带有NeMo Speech插件,变形器和SGLang-Omni 02.0. vLLM曝光OpenAI兼容API.

NVIDIA型号的主要速度来自它的Nemotron Translatis NIM. 与NVFP4和DFlash2,1 RTX PRO 6000 Blackwell Server Edition转录了每秒2,238秒的音频。 它在0.13秒内返回30秒的剪辑。 有个捕捉点:那些服务优化还没有开源。 NVIDIA预计发布日vLLM路径大约慢2x. 在BF16的1H100与MTP2,NVIDIA估计约410RTFx.

对于微调,NVIDIA测试了17项任务。 单机GB300每架用0.5至2.3GPU小时左右。

它与其他开放的ASR模型有什么比较?

*竞争对手在目前9集领导板上的得分来自NVIDIA的报告,引用了Hugging Face领导板从2026年10月起的成绩。 领导牌套装自竞争者发布自己的牌后有所改变,因此2个WER列不能互换。

关键外卖

- 一个开放模式处理40种语文的文字记录、扬声器、时间戳和翻译。

- 4.71%的英语WER是最佳的开放权重分数;商业API仍然领先。

- 约4.3B活性参数;BF16适合1H100,NVFP4适合RTX 5090.

- 一个实体列出削减命名实体WER从12.21%到2.20%.

- 只下线;普通话会议和密码交换仍然是薄弱环节。

请检查access-date=中的日期值 (帮助) 技术报告,模型权重,项目页面和现场演示。 并加入我们的通讯。 等等你在电报里吗现在你也可以加入我们的电报。

需要和我们合作推广您的 GitHub Repo OR Hugging Face Page OR Product Release OR Webinar 等吗?联系我们

Asif Razzaq是Marktechpost AI Media Inc.的首席执行官。 作为一个有远见的企业家和工程师,阿西夫致力于利用人工智能的潜力促进社会福祉。 他最近的努力是人工智能媒体平台的发布,该平台以深入报道机器学习和深层学习新闻而著称,这些新闻在技术上既可靠又为广大观众所容易理解。 该平台每月有超过200万次观看,表明其受观众欢迎。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(marktechpost.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态