在线教程丨覆盖40种语言/处理1小时录音，英伟达开源Nemotron 3.5 Transcribe，实现指令控制的语音识别、翻译与音频问答

14小时前

一段会议录音转成文字后，仍可能留下不少问题：多人发言该如何区分？专业术语有没有听错？如果还要制作字幕或翻译，能否直接从录音得到所需结果？

NVIDIA 推出的 Nemotron 3.5 Transcribe 试图用指令处理这些不同需求。用户可以要求模型保留口头填充词和重复，生成逐字稿；也可以让它整理表达，输出更易阅读的文本。模型还支持说话人标注、语音翻译、语言识别和音频问答。 根据官方模型卡，它覆盖 40 种语言，可处理最长约 1 小时的录音；不同语言和任务的支持程度有所区别。

Nemotron 3.5 Transcribe 采用 Mamba-2 与 Transformer 混合的 MoE 架构，总参数量约 34B，处理每个 Token 时约激活 4.3B 参数，包含音频编码器。NVIDIA 公布的评测显示，模型在英语、长音频和多语言语音识别基准上取得了有竞争力的成绩。它面向离线音频处理，不能因内部采用分块机制就将其视为实时流式转录模型。

目前，HyperAI 已上线「NVIDIA-Nemotron-3.5-Transcribe-30B-A4B：指令控制的语音识别、翻译与音频问答」，完成环境配置，极大降低部署门槛 ⬇️

在线运行：

https://go.hyper.ai/oseTI

更多在线教程：

https://hyper.ai/notebooks

demo 页面

Demo 运行

进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「NVIDIA-Nemotron-3.5-Transcribe-30B-A4B：指令控制的语音识别、翻译与音频问答」，点击「运行此教程」。

2.页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

选择「NVIDIA H100」以及对应镜像，点击「Continue job execution（继续执行）」。

4.等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace。

效果展示

1.页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。

2.待运行完毕后，点击右侧 API 地址即可访问 demo 页面。