英伟达2026年10月28日发布开源权重语音模型Nemotron 3.5 Transcribe，把转写、说话人区分、翻译和录音问答装进同一个模型。开发者从Hugging Face等渠道拿到权重后，可以用自然语言指令让同一段录音产出逐字稿、干净文本、摘要或问答，不必再为每个任务各接一个模型。
一个模型，四种活
Nemotron 3.5 Transcribe支持40种语言的转写，31种语言可与英语互译，在13种语言里能区分最多8位说话人，单段录音最长处理1小时，还提供词级时间戳。同一段录音换一句指令，输出就能换一种形态：逐字稿、清理过的文本、会议摘要，或针对录音内容的问答。指令里还能指定术语写法和数字格式，这对医疗、金融这类行话密集的场景很实际。
单卡能跑，代价是只认录音
模型本身是300亿参数的混合专家架构，每次推理激活约40亿参数。英伟达称它可以在单块GPU上运行，覆盖Jetson AGX Thor、DGX Spark和Blackwell数据中心芯片；在NVFP4精度下，一块RTX PRO 6000不到3分钟能处理100小时音频，这是厂商给出的数据。边界同样清楚：它只处理录音，不做直播转写；录音问答的训练以英语为主，换语言要先实测。
数据集一起开源，榜单成绩要打折看
随模型一同发布的是Granary v2，公开语音数据集与清洗流程覆盖463,062小时、48种语言，上一代是25种。模型权重采用OpenMDW-1.1许可，允许商业使用。英伟达称它在Hugging Face开放语音识别榜上居开源模型首位，这是厂商口径，不同榜单的算法与口径并不相同，选型仍要拿自己的录音实测。同期语音发布相当密集，Nemotron的差异不在参数规模，而在工程取向：一个检查点加可定制。对会议记录、医疗转录这类流程固定的团队来说，换模型的成本，往往比榜单上多拿几个百分点更实在。
