一句话看懂：英伟达于 2026 年 10 月底开源语音转录大模型 Nemotron 3.5 Transcribe，主打长音频、40 语种和最多 8 人同时说话的说话人分离，是目前开源语音转写赛道里参数规模较大的新选项。
事件核心：发生了什么
根据 AIbase 于 2026 年 10 月 30 日的报道，英伟达正式开源 Nemotron 3.5 Transcribe。模型采用 MoE 架构，总参数约 340 亿，但每次前向推理只激活 43 亿参数，意在兼顾识别能力与运行效率。单次可处理最长 1 小时的连续录音；支持 40 种语言的语音转录，其中 31 种语言可与英语双向翻译；在多人对话场景下，最多可同时区分 8 个说话人并实时完成说话人归属。
在公开评测方面，原文给出两组数据：Open ASR 英文评测平均词错误率 5.33%，在同类开放权重模型中排名第一；Artificial Analysis 非流式测试中词错误率低至 2.8%，与开源榜单首位并列。目前公开信息显示，这些成绩对应上述特定评测条件，尚不代表所有场景下的稳定表现。
为什么重要
语音转写长期在三个环节吃亏：长音频容易断、多语种覆盖不足、多人抢话分不清谁在说。Nemotron 3.5 Transcribe 把 1 小时上下文、40 语种和 8 人分离放在同一个开源模型里，等于给开发者提供了一个能力较完整的底座，减少自行拼接 ASR、说话人分离和翻译模型的工程成本。对英伟达而言，开源语音模型也能扩大其推理生态的覆盖面：模型跑得越多，对算力和推理栈的需求越强。
对用户/开发者/创作者的影响
对开发者，开源权重意味着可以本地部署或私有化部署，适合会议纪要、访谈整理、客服质检等对数据敏感的 AI 应用；但 340 亿总参数、43 亿激活的规模对显存和推理优化仍有要求。对创作者和企业，一次处理 1 小时音频、自动区分发言人，能明显简化播客转写、圆桌整理和多语种内容本地化流程。不过素材未披露许可证细节、推理成本和多语言真实准确率，采购前需要自行验证。
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
一是开源许可证和商用限制是否明确；二是官方推理代码、量化版本和 API 接入何时补齐；三是 Whisper 系及其他开源语音模型是否在多人分离和长音频上跟进对标。评测排名会随新模型发布变化，不宜当作长期结论。
来源：AIbase
