NVIDIA开源转写模型并推进vLLM原生集成

tarushagarwal 团队在语音转文本基准中测试 NVIDIA Nemotron 3.5 Transcribe，其在真实电话录音上的词错误率（WER）仅为 2.48%，20 个模型中最低。基准将真实通话与干净测试音频分开评分，通话数据来自 Ocular 授权的真实对话录音。

英伟达发布开源语音识别模型 Nemotron 3.5 Transcribe，单一模型支持转录、说话人识别和翻译，并可通过文本 prompt 接受指令。该模型在多个 benchmark 上领先，激活参数量仅为最强开源竞品的六分之一，同时发布超过 80 万小时语音数据集及微调工具。

Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，可在单模型中完成转写、翻译、说话人识别和音频问答。该模型支持 40 种语言，最多处理 1 小时音频和 8 名说话人，30B 参数中每步激活约 4B，可在单张 Nvidia GPU 上运行。

vLLM 项目正审核一项 PR，为 NVIDIA Nemotron-3.5-Transcribe 语音语言模型增加原生集成。

vLLM 项目宣布 NVIDIA Nemotron-3.5-Transcribe 原生集成 PR 已进入 review（#64282）。该 PR 新增语音塔架构与 OpenAI 兼容的含音频对话、转写端点，支持 30B-A4B 权重及 FP8、NVFP4 量化变体、MTP 和 DFlash2 投机解码，并可通过 NeMo Speech 的 vLLM 0.32.0 插件运行。

Nvidia 发布开放权重模型 Nemotron 3.5 Transcribe，用于多语言音频转录与翻译。其同期推出开源语音数据集 Granary v2。

NVIDIA 开源 Nemotron 3.5 Transcribe（30B-A4B）语音识别模型，模型权重、数据与训练配方全部开放，并上架 Hugging Face。配套提供 Granity v2 开放语音数据、NeMo Speech 微调工具和领域适配教程；医疗 ASR 案例中，微调相比最佳 prompt 使词错率相对降低 45.8%。

NVIDIA 开源 Nemotron 3.5 Transcribe 语音转文字模型，总参数 30B、激活参数仅 4B。Artificial Analysis 评测显示其 WER 为 2.8%，并列开源第一；在 DeepInfra 托管端点上，速度因子达 75 倍，转录 1 分钟音频不到 1 秒，千分钟成本约 2 美元。

NVIDIA 宣布 RTX Spark 笔记本获得 Nemotron 3.5 Transcribe、LFM3 开放模型、GPU 资源管理及多项游戏功能更新。

Nvidia 发布 Nemotron 3.5 Transcribe 开放权重模型及第 2 版 Granary 开源语音数据集，支持最多 40 种语言转录。该模型可将 31 种语言与英语互译，处理最长 1 小时录音并区分最多 8 名说话者，参数规模为 30B，可在单颗芯片上运行，但不支持直播音频。

NVIDIA 发布开源语音识别模型 Nemotron 3.5 Transcribe，并配套推出 Granary v2 数据集，面向多语言智能转写场景。该模型支持通过 Prompt 适配定制，2.8% WER 使其并列开源第一。