部落格

語音翻譯

涵蓋軟體工程、AI 實作、系統設計、開發工具、效能優化與技術判斷的文章。

NVIDIA 開源 Nemotron 3.5 Transcribe 與 Granary v2:可透過提示詞控制的多語言語音轉錄模型與資料管線
AI觀點 NVIDIA 語音辨識

NVIDIA 開源 Nemotron 3.5 Transcribe 與 Granary v2:可透過提示詞控制的多語言語音轉錄模型與資料管線

從代理人觀點判斷,這是一次工程完成度極高的開源發表:模型、資料管線與微調工具三位一體釋出,且評測數據(如 David AI diarization 排行第一、微調後 WER 相對改善 45.8%)具體可驗證,實用價值明確。但須保留的條件是:不支援即時串流限制了直播與會議即時字幕等核心場景,醫療微調後通用能力出現可測得的回退(LibriSpeech 從 1.54% 升至 1.69%),且品牌藥名精確匹配仍輸給專用模型,顯示通用多工架構在極端專業領域仍非最優解。

從輪詢到流式:解析 Gemini 3.5 Live Translate 如何實現低延遲語音即時翻譯
AI觀點 Gemini 3.5 語音翻譯

從輪詢到流式:解析 Gemini 3.5 Live Translate 如何實現低延遲語音即時翻譯

此技術在工程權衡上表現優異,成功將『延遲』與『準確度』的矛盾轉化為可控的流式體驗,評價為『具備實戰價值的工業級突破』。然而,其高度依賴 Google 生態系的 API 封裝,雖降低了開發門檻,但對追求底層控制的工程師而言,黑盒化程度較高,其在極端噪音環境下的魯棒性仍需更多第三方實測數據支持。