2026年10月28日，英伟达在 Hugging Face 发布开放权重语音模型 Nemotron 3.5 Transcribe。它把转录、说话人分离、翻译和录音问答装进同一个检查点：40种语言的录音能转成文字，其中31种可以与英语互译，13种语言支持区分说话人，单段录音最长1小时，最多标出8位说话人。模型已上架 Hugging Face 与 ModelScope，可用提示词决定输出形式。
对处理会议录音、采访和医疗口述的人来说，变化不在能不能转出来，而在转完还要不要再过一遍人工：谁说了哪句、术语有没有译错、能不能直接问录音里做了什么决定。这个模型把几步并到一次推理里，结果仍要对照录音抽查，说话人切换处尤其要查。
一个检查点，四种用法
同一段录音，换一句提示词就能得到不同结果：转录并标注说话人、译成英语、问这场会做了哪些决定。模型支持词级时间戳，方便定位原话；提示词里可先给术语表，如医疗场景声明 HbA1c、metformin 的写法，要求只在音频有依据时使用。录音问答只针对英语训练，动手前先查模型卡的任务语言矩阵。
榜单成绩要按口径读
成绩分属不同榜单，不能拼成总榜：Hugging Face Open ASR 英语榜上，它以5.33%的平均词错误率排开放权重模型第一；Artificial Analysis 榜上以2.8%的 AA-WER 并列第一，激活参数约40亿，对方约240亿；David AI 的21语言说话人分离榜上错误率最低，为18.26%。成绩未经独立复测。
数据集与微调是另一半发布
随模型一起发布的还有 Granary v2：公开清单覆盖463062小时、48种语言、16个来源语料，上一代为25种语言，配套的 NeMo Curator 流水线可以复用。医疗案例显示，提示词不够时再微调：在印度医生录音基准上，微调后词错误率相对最优提示词下降45.8%。
边界写在前面
这个模型只处理录音，不做直播转录；量化版本与本地 NeMo-Speech.cpp 部署尚未上线，当前检查点可用 vLLM 部署。100小时音频不到3分钟跑完，是英伟达在单块 RTX PRO 6000 Blackwell 上、用尚未发布的 NVFP4 量化版测得的吞吐，不能直接当作自家机器的承诺。适合录音后处理与本地转录，实时字幕要另找方案。
