行业动态 › 正文

2026-10-30开放权重 · 语音

40 种语言的转写一个模型管:30B 语音权重连 46 万小时语料一起开

会议纪要、讯问笔录、巡检录音这些内网音频,以前多半要送出去才能转成文字。10 月 28 日这批开放权重把「40 种语言听得懂、还能分清谁在说话」装进了一个可商用的检查点,连训练语料的公开清单都一起放了。

一、一个检查点包了几件事

能力范围(模型卡口径)
转写40 种语言,单文件最长 1 小时
翻译其中 31 种语言与英语互译
说话人归属13 种语言,最多标注 8 人
形态语音增强语言模型:转写之外可做音频问答
许可OpenMDW-1.1,商用/非商用皆可

二、成绩表要连口径一起看

  • 自报:九个英语数据集均值 WER 4.71%,对比项是开放权重里次优的 Qwen3-ASR-1.7B(4.94%);
  • 多说话人场景 cpWER 15.80,对比 DiCoW v3.3 + DiariZen 组合的 16.83;
  • 成绩表捕获于 10 月 12 日,属厂商自报口径——中文与方言表现请以你们的真实录音复测为准。

三、语料和模型一起开放,意味着什么

Granary v2 的公开清单覆盖 463,062 小时、48 种语言、16 个来源语料(上代为 25 种语言)。官方特别说明:这些数字描述的是数据集发布范围,不等于模型的全部训练混合。对你评估的价值在于可复跑:想验证「它在你们那种口音与术语密度下掉多少点」,可以拿同一批公开语料做对照,而不是只信一张成绩表。

内网音频这条链,值得重算一遍

四条:

  • 先盘存量音频类型(纪要/笔录/巡检),标出现在走云端 API 的年成本;
  • 把「转写+区分说话人+检索问答」当一条链评估,而不是单测一个 ASR 分数;
  • 中文与专业术语密度下掉多少点,用你们自己的录音对公开语料做对照复测;
  • 模型与语料都开放——对照实验的素材不用再找厂商要。

来源:英伟达 10 月 28 日于 Hugging Face 的发布与模型卡、Unite.AI 报道;成绩均为厂商自报口径 本文仅转述公开报道,不评判任何企业与产品,不构成投资建议。

返回行业动态列表(共 127 条)→

内网录音变文字这件事,现在有一条不出域的完整链。

拿一段你们的真实录音给我们,出一版「40 语言档在你场景下」的实测对照,流程可复跑。

本页可引用 引用或转载请保留来源链接与日期,下面两行可直接复制:
「40 种语言的转写一个模型管:30B 语音权重连 46 万小时语料一起开」,机悟 JAVIS,2026-10-30,https://javis.org.cn/news-2026-10-30-nemotron-transcribe-open.html
Markdown:[40 种语言的转写一个模型管:30B 语音权重连 46 万小时语料一起开](https://javis.org.cn/news-2026-10-30-nemotron-transcribe-open.html)(机悟 JAVIS,2026-10-30)