NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到一个 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音、最多 8 位说话人。
推荐理由：原文给出多语言转写、说话人分离与提示词控制的具体能力，以及配套数据管线和微调配方，便于评估落地方式。
技术方向
语音与音频 最新动态
AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
2 条精选近 30 天 2 条共收录 38 条
更新
语音与音频的精选
Hugging Face Blog精选AI 评分7171
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转写模型 Voxtral Small Transcribe 3、支持 35+ 语言和 50+ 方言的合成模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK。
推荐理由：原文给出语音转写与合成模型的基准对比和每分钟定价，可据此判断语音智能体的部署成本与选型空间。