Optimizing Streaming Speech Recognition on Arm® Edge Devices with ExecuTorch
PyTorch Blog2098 字 (约 9 分钟)
85
ExecuTorch框架结合Arm SME2技术可将流式语音识别延迟降低40%,同时通过量化技术减少70%处理时间。
入选理由:使用SME2与INT8量化可使ASR处理时间减少70%
精选文章#PyTorch#ExecuTorch#Arm#语音识别#边缘计算英文
模型
别名:nemotron-3.5
多语言流式ASR模型,基于RNN-T架构
已跟踪 2 条高相关材料
最近变化
2026-10-26 · 使用SME2与INT8量化可使ASR处理时间减少70%
为什么值得关注
Nemotron 3.5 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Optimizing Streaming Speech Recognition on Arm® Edge Devices with ExecuTorch
PyTorch Blog · 8.5 分
ExecuTorch框架结合Arm SME2技术可将流式语音识别延迟降低40%,同时通过量化技术减少70%处理时间。
Nemotron 3.5 Content Safety: Customizable Multimodal Safety for Global Enterprise AI
Hugging Face Blog · 8.5 分
Nemotron 3.5实现多模态内容安全统一评估,支持12种语言并可定制企业策略。
已收录 2 条与 Nemotron 3.5 相关的内容,按评分排序。
ExecuTorch框架结合Arm SME2技术可将流式语音识别延迟降低40%,同时通过量化技术减少70%处理时间。
入选理由:使用SME2与INT8量化可使ASR处理时间减少70%
Nemotron 3.5实现多模态内容安全统一评估,支持12种语言并可定制企业策略。
入选理由:Nemotron 3.5通过整合文本/图像/响应三重输入实现多模态安全评估