英伟达 Nemotron 3.5 Transcribe

是什么

Nemotron 3.5 Transcribe 是英伟达（Nvidia）于 2026 年 10 月 28 日发布的语音转写模型。它免费提供，权重开放，也就是说外部用户可以自己下载并运行模型，而不只是通过某个付费服务调用它^[1]。

它属于英伟达开放的语音模型家族，同一家族里还有更早的 Parakeet，后者有 11 亿参数^[1]。相比之下，Nemotron 3.5 Transcribe 的规模大得多，参数达到 300 亿^[1]。

能做什么

这个模型可以把语音转成文字，支持的语言最多 40 种^[1]。它也做翻译：31 种语言可以与英语互译^[1]。也就是说，转写和翻译放在同一个模型里，而不是拆成两个工具。

它是为录音而非直播流设计的，这个区别对打算使用它的人很关键。英伟达表示该模型处理的是录音，不是直播流^[1]。在这一前提下，它能处理较长的素材，单段录音最长可达一小时，并且能在同一段音频里区分最多 8 位说话人^[1]。说话人区分对会议记录、访谈和座谈录音有实际意义：有用的产出不只是连成一片的文字，还包括哪句话是谁说的。

为单芯片运行而设计

一个 300 亿参数的模型，通常要跑在配有多个加速卡的服务器上。英伟达这次的设计目标不同：模型被设计为在单颗芯片上运行^[1]。它给出的硬件范围跨度很大，从 Jetson AGX Thor 机器人控制器、DGX Spark 桌面设备，一直到 Blackwell 数据中心芯片^[1]。换句话说，同一个模型既要用在机器人旁边的小设备上，也要用在数据中心里。

这个取舍决定了谁能用它。能装进单颗芯片的模型可以在本地运行，不必把音频送到外部服务；当录音内容比较敏感，或者网络连接不稳定时，这一点相当重要。

数据与基准

除模型之外，英伟达还发布了 Granary 的第 2 版，这是它的开源语音数据集^[1]。语音模型训练需要大量带转写的音频，公开数据集让外部研究者能在同样的材料上训练和测试自己的系统。

英伟达声称，该模型在多项基准上胜过竞争对手，其中包括 Hugging Face 的 Open ASR Leaderboard^[1]。该榜单是自动语音识别系统的公开比较，在那里取得领先意味着相对其他公开比较的模型有更高的准确率。这类说法出自英伟达自己，外部用户可以到榜单上自行核对。

在发展中的位置

开放权重的语音模型已经是一个热闹的方向，英伟达把这一款定位为家族中更大、能力更强的成员，而家族里此前已有 Parakeet^[1]。这种组合方式在开放模型的发布中很常见：任何人都能下载的权重、支撑后续研究的数据集，以及用基准领先来说明值得换用的理由。

这次发布没有覆盖的是实时音频。英伟达将该模型描述为处理录音而非直播流^[1]，因此呼叫中心、直播字幕、语音助手这类实时转写，不在它公布的范围之内。它面向的是这样一些使用者：手上有一段长达一小时、语言属于那 40 种之一的会议录音，或者一段需要用那 31 种语言之一与英语互转的录音。