NVIDIA 发布 Nemotron 阿拉伯方言微调流程与 Nemotron 3 说话人分离模型

用途与变化

NVIDIA 开发者博客（来源发布时间为 2026 年 9 月 30 日）介绍了用 NVIDIA NeMo 框架把 Nemotron 3.5 ASR 适配到沙特阿拉伯 Najdi 与 Hijazi 方言的微调流程。文章称，Nemotron 3.5 ASR 支持 40 个语言-地区变体的多语种流式转写，但部署地特有的方言与录音条件仍可从针对性微调中受益。

同一篇博客还提到新发布的 NVIDIA Nemotron 3 Diarization，可为最多 8 位说话人做说话人分离，并把说话人边界与 ASR 时间戳对齐，生成带说话人归属的转写。文章称该模型是开放的，可加入已有 ASR 系统；分离本身不做转写。

流程要点

帖子给出的工作流包括：轻量数据清洗、按权重把 FLEURS 回放数据与目标方言混合、按时长分桶、部分解冻编码器层。作者称在约 133.7 小时 Najdi 与 Hijazi 语音上微调后，目标测试集词错误率从 55.05% 降到 29.96%，英语从 11.04% 降到 10.42%，且未损害其他阿拉伯语方言。文章还提到更新全部 24 层编码器错误率最低但可训练参数更多；改用更大的注意力上下文与 MALSD beam-8 解码可在不重新训练的情况下再降 2.71 个百分点，代价是约 800 毫秒额外延迟。

适用场景

文章把该流程定位为：有足够标注语音用于特化、但不足以从零训练模型的情况，例如方言适配、特定领域转写，以及需要保留原有语言能力的部署。高延迟的解码配置被建议用于批量转写（如通话存档、会议录音），而实时字幕场景可能不适用。

限制与待核实

文中数字来自作者自己的实验，硬件为两块 NVIDIA RTX PRO 6000 Blackwell 工作站版 GPU，训练配置属于排错示例而非推荐默认值；作者也指出该结论不构成对所有阿拉伯语方言或部署环境的通用证据。博客中提到的后续资源、notebook 与 skill 链接需由读者自行核实其可用性；本文未做运行验证。