一句话看懂：NVIDIA 公开了 Nemotron 3.5 Transcribe 的开源权重，这是一个面向转写的语音大模型，单个模型即可处理 40 种语言、最长 1 小时的录音，并通过文本指令切换输出风格。
事件核心：发生了什么
NVIDIA 于 2026 年 10 月底发布 Nemotron 3.5 Transcribe。官方技术报告称，模型总参数约 34B、激活参数约 4.3B，采用混合 Mamba-Transformer 的 MoE 架构，上下文长度 65,536 token，音频上限 1 小时。它由可训练的 0.6B ASR 编码器与冻结的 Nemotron 3 Diarization 模块并行工作，说话人信息每 80ms 注入特征，因此能同时给出转写、说话人标签和时间戳，并支持逐字、书面化、翻译、结合上下文实体表等多种输出模式。权重以 BF16、FP8、NVFP4 和 GGUF 形式发布，采用允许商用的 OpenMDW-1.1 许可证。
为什么重要
过去一套完整转写流程通常要拼接 ASR、说话人分离和对齐三类工具，Nemotron 3.5 Transcribe 试图用单个开源模型覆盖这些环节，对开发者意味着更少的组件和更低的集成成本。据 NVIDIA 自报数据，它在 9 个公开英文 Open ASR 集上平均 WER 为 4.71%， multilingual 集为 4.62%，均优于 Qwen3-ASR-1.7B，但落后于部分商业 API，例如 OtterAI speech-v3.1 的 3.88%。需要注意的是，这些结果均为厂商自报，且属特定评测条件，不代表长期排名。
对用户/开发者/创作者的影响
对开发者而言，最直接的吸引力是部署门槛：BF16 需单张 H100 80GB，FP8 检查点约 35GB，NVFP4 约 21GB，可在 RTX 5090 上运行，并支持 vLLM、Transformers 和 SGLang-Omni 等运行时，vLLM 路径提供 OpenAI 兼容接口。不过 NVIDIA 也提示，NIM 中的高性能加速尚未开源，发布日 vLLM 路径约慢一倍。创作者和企业可将它用于会议记录、访谈整理和带说话人标注的长音频转写，但中文远场会议仍是短板：AliMeeting 上 cpCER 达 34.95%，且目前为离线模型，尚无实时流式能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 NIM 的高吞吐推理优化何时开源，这决定社区能否复现官方速度；二是中文、多说话人会议场景的准确率能否通过微调或后续版本改善；三是商业 API 厂商是否会在价格或多语言能力上跟进。目前公开信息显示，模型定位仍是转写专用，而非通用语音助手。
