英伟达开源 Nemotron 3.5 Transcribe：单 GPU 跑转录、翻译与说话人识别

一句话看懂：英伟达开源了 Nemotron 3.5 Transcribe，把转录、英译翻译和说话人识别合进一个可接受文本指令的语音模型，还放出了 84.4 万小时数据集 Granary v2。对开发者和企业来说，语音处理多了一个可自部署、可定制的开源选项。

事件核心：发生了什么

2026 年 10 月 28 日，英伟达发布 Nemotron 3.5 Transcribe。据 The Decoder 报道，该模型支持转录 40 种语言、在 31 种语言与英语之间互译，并在 13 种语言中识别说话人；单次可处理最长 1 小时、最多 8 名说话人的录音。

模型总参数 300 亿，但每步仅激活约 40 亿，因此可跑在单块英伟达 GPU 上，从 DGX Spark 到数据中心卡都在覆盖范围。官方称在 RTX PRO 6000 Blackwell Server Edition、NVFP4 精度下，处理 100 小时音频不到 3 分钟。使用者通过提示词指定任务，例如输出带说话人标签的转写、英文翻译或会议决策摘要。

评测方面，在 Hugging Face 英语 Open ASR 榜单上，其平均词错率 5.33%，在开源权重模型中排第一；Artificial Analysis 对比中得分 2.81%，接近更大的 Voxtral Small 的 2.77%，但激活参数约为后者的六分之一。VoiceArena 和 David AI 的测试显示，它在多人抢话场景和 21 种语言的说话人归属上表现领先。这些排名限定于素材给出的日期与任务条件。

为什么重要

语音转写长期按功能拆成多个模型：先转录，再翻译，再区分说话人。Nemotron 3.5 Transcribe 用一个模型加自然语言指令覆盖这些环节，降低了组合式管线的工程成本。更关键的是开源加单卡可跑，让需要数据不出内网的企业有了闭源云 API 之外的替代路径。

英伟达同时放出 Granary v2 数据集，规模从上一版约 64.3 万小时、25 种语言扩到 84.4 万小时、48 种语言，并附带构建工具。公司称该数据集与模型的训练数据并不完全一致。这等于把模型、数据和适配工具一起推向生态，强化开发者对英伟达推理硬件的依赖。

对用户/开发者/创作者的影响

开发者可以直接基于开源权重做私有化部署，用提示词控制输出格式，也能把药品名等专业词汇作为提示传入。素材中的医疗场景测试显示，针对印度医生和医学生录音做微调后，完整基准上的词错率从 30.8% 降到 11.8%；对未见过的说话人，单独报告的错误率从 22.44% 降到 12.17%。目前公开信息显示训练数据以合成语音为主，真实场景效果仍需自行验证。