一句话看懂：英伟达在 Hugging Face 发布开源权重模型 Nemotron 3.5 Transcribe，把转录、说话人区分、翻译和音频问答合进同一个模型，并开放 Granary v2 数据管线与微调方案。其意义在于：多语言语音处理从“单一转录”走向可提示、可适配的通用音频模型，且走开源路线。
事件核心：发生了什么
2026 年 10 月 28 日，英伟达在 Hugging Face Blog 公布了 Nemotron 3.5 Transcribe，同步上线 Hugging Face 和 ModelScope。据官方描述，单个检查点支持 40 种语言转录、13 种语言的说话人归属，并可将 31 种语言与英语互译；单条音频最长约 1 小时，最多标记 8 位说话人。开发者可用自然语言提示词控制输出，例如要求翻译成英语、标注说话人，或直接提问“会议做了哪些决定”。
配套发布的还有开源数据管线 Granary v2 和 NeMo Speech 微调工具。官方给出一项医疗场景案例：在留出说话人上，微调后词错误率相对最佳提示词方案下降 45.8%。
为什么重要
此前多语言语音模型通常各管一摊：转录模型不区分说话人，翻译要另接模型，音频问答又是另一套系统。Nemotron 3.5 Transcribe 把这几项放进一个开源权重检查点，并用提示词切换任务，降低了搭建语音应用的集成成本。对开源阵营而言，这也是一次正面竞争：英伟达称其在 Hugging Face Open ASR Leaderboard 英语榜的开放权重模型中排名第一，平均词错误率 5.33%；多语言七语种平均 4.62%，长音频平均 10.98%。说话人归属方面，官方称其在 David AI 21 语种评测和 VoiceArena 14 系统对比中排名第一。这些均为发布时点的评测结果，并非长期排名。
对用户/开发者/创作者的影响
开发者可以先用提示词试探领域术语，例如在医疗转写中指定 HbA1c、metformin 等词，并要求仅在音频支持时使用，从而减少专用微调的前期成本。需要本地部署的团队可等待即将推出的量化版本，官方提到 RTX Spark、DGX Spark、Jetson AGX Thor 及 Blackwell 数据中心 GPU。内容创作者和会议工具厂商则可利用词级时间戳做回放字幕，Agora 已在课堂回放场景中演示类似用法。需注意：任务支持因语言而异，音频问答仅以英语训练；官方也提醒要人工抽查人名、说话人切换和答案。
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
一是量化版本的实际发布时间与本地推理表现；二是第三方在真实口音、噪声场景下复现上述评测的程度；三是 Granary v2 数据管线和微调方案能否被社区广泛采用，形成围绕英伟达语音栈的开发者生态。
