Nemotron Speech ASR – 英伟达开源的语音识别模型

Nemotron Speech ASR是什么

Nemotron Speech ASR 是英伟达开源的专注于低延迟、实时流式语音识别的模型。通过缓存感知架构，将已处理的语音特征缓存，仅对新音频帧进行计算，实现单句转录锁定仅需24毫秒，有效解决了传统流式模型在长语音识别中的累积延迟问题。模型支持多档延迟模式（80ms、160ms、560ms、1.12s），可根据应用场景灵活调整，无需重新训练，适用于游戏语音、实时翻译、会议记录等多种场景。具备更高的吞吐量和更低的运行成本，端到端延迟控制在500毫秒以内，并原生支持标点符号和大小写。

Nemotron Speech ASR的主要功能

• 低延迟实时识别：专为低延迟、实时流式场景设计，单句转录锁定仅需24毫秒，几乎与人类神经反应速度相当，适用于对实时性要求极高的语音交互场景。