Nvidia 發表了 Nemotron 3.5 Transcribe 與 Granary v2 模型

Nvidia 發布了兩款專用模型：用於語音辨識的 Nemotron 3.5 Transcribe 與用於資料結構化的 Granary v2。這些新品旨在打造高精確度的轉錄系統，並具備針對特定領域與語言特性進行調整的能力。

Nemotron 3.5 Transcribe 模型專為語音轉文字設計，並支援多語言。除了轉錄功能外，它還支援翻譯與說話者辨識，並能透過文字提示（prompt）接收指令。該模型在多項基準測試中表現領先，且其運作所需的活躍參數僅為最接近的開源競爭對手之六分之一。為了訓練模型，Nvidia 還提供了一個包含超過 80 萬小時語音的資料集以及微調工具。

另一方面，Granary v2 則作為後處理工具：該模型接收轉錄後的文字，並透過提示詞控制輸出架構，將其轉換為 JSON 或 SQL 等結構化格式。

這兩款模型均支援整合至資料處理管線中，能夠自動化從音訊串流中生成報告、會議記錄與分析摘要。開發人員可以利用自有資料集對系統進行微調，這對於醫療或法律等高度專業化的產業至關重要，因為標準模型在處理專業術語時往往容易出錯。

對於從業人員而言，這意味著可以利用 Nvidia 的工具部署「音訊轉結構化資料」的管線，從而縮短手動標註與資料後處理的時間。這些模型現已可在 Hugging Face 平台上進行預覽與測試，為開發人員提供靈活的設定，以適應各種特定的業務需求。