正文

NVIDIA 2026 年 10 月 28 日发布了免费开源权重的语音模型 Nemotron 3.5 Transcribe，把转录、说话人区分、翻译、音频问答做到同一个模型里，并配套开源语音数据集 Granary v2。目标场景是会议记录与医疗转录。

这是什么

一个开源的语音处理模型：给它一段录音，它能输出文字稿，还能标出“谁说了哪句”、在 31 种语言与英语之间互译。说话人区分就是把不同说话人的话分开标注；词错率（WER）是转录错词的比例，越低越好。

具体变了什么

转录 40 种语言，31 种语言可与英语互译，13 种语言可区分说话人，最多区分 8 位说话人，单条录音最长 1 小时；仅支持录音文件，不支持直播流。模型总参数 300 亿，采用混合专家架构——模型由多个专家子网络组成，每次只激活其中一部分，参数大但算力省，每 token 实际激活约 40 亿参数，单块 GPU 即可运行，从 Jetson AGX Thor 边缘板、DGX Spark 到 Blackwell 数据中心卡都行。厂商称 Blackwell 服务器卡上 100 小时音频不到 3 分钟处理完。准确率方面，厂商称在 Hugging Face Open ASR 榜上居开源第一，英文平均词错率 5.33%，但不同榜单口径不同，引用时要注明来源。数据集 Granary v2 公开清单 463,062 小时、48 种语言，权重许可证允许商业使用。

对实际使用者的影响

值得试，尤其对需要本地、私有化部署会议、医疗转录的团队：这是目前开源里准确率第一梯队且单卡可跑的选择，不用把录音送上云。但注意两点限制：不做直播；不同任务的语言覆盖不同（翻译 31 种、说话人区分仅 13 种）。医疗场景需用领域数据微调，厂商演示称用 1 块卡训练约 14 小时、留出测试集错误降 45.8%。

来源

TechCrunch，2026-10-28