NVIDIA 發布 NeMo Speech 3.0，代碼庫獨立專注語音領域並推出 Nemotron-3.5-ASR 等多款新模型

NVIDIA 發布 NeMo Speech 3.0（v3.0.0）與 26.07.00 NGC 容器。該代碼庫自 2026 年起已進行拆分，目前專注於音訊、語音與多模態 LLM（拆分前支援其他模態的最終版本為 v2.7.3）。 官方同步釋出多款新語音模型：2026 年 7 月推出 MagpieTTS v2607，新增阿拉伯文、韓文與葡萄牙文，總支援語言達 12 種；6 月推出 Nemotron-3.5-ASR-Streaming-0.6B，基於快取感知 Fastconformer 架構，支援 40 種語言，具備 80ms 至 1s 的可控延遲，單張 H100 可支援 240 至 2400 個併發串流。 此外，4 月發布的 Parakeet-unified-en-0.6b 將高品質離線與串流推論（最低延遲 160ms）整合於單一英文模型，並支援標點與大小寫；3 月釋出基於 Nemotron Nano v2 LLM 骨幹的 Nemotron 3 VoiceChat 搶先體驗版，提供全雙工、可打斷的低延遲自然對話，並更新 Nemotron-Speech-Streaming v2603 以降低所有延遲模式下的字錯率（WER）。 NeMo Speech 3.0 支援 Python 3.12 與 PyTorch 2.7 以上版本，官方推薦使用 uv 從原始碼安裝，其主動測試與支援的環境為 Python 3.13 搭配 PyTorch 2.11/CUDA 12.9 或 PyTorch 2.12/CUDA 13.2。官方特別提醒，自 PyTorch 2.6 起 torch.load 預設啟用 weights_only=True，載入部分模型權重時可能需要設定環境變數 TORCH_FORCE_NO_WEIGHTS_ONLY_LOAD=1，但強烈建議僅對受信任的檔案執行此操作，以避免任意程式碼執行風險。