英伟达发布 Nemotron 3.5 Transcribe 与 Granary 2

背景

把语音转成文字，是 AI 在工作场所里较早、也较成熟的用途之一。挑一款语音识别模型时，通常看三件事：它覆盖哪些语言、使用方能不能自己运行、以及它对某个行业的专门词汇处理得怎么样。英伟达这次发布的内容正落在这三点上。

发布了什么

2026 年 10 月 28 日，英伟达发布 Nemotron 3.5 Transcribe，以及 Granary 语音数据集的第二版^[1]。该模型采用开放权重（open-weight）并免费提供，覆盖最多 40 种语言^[1]。开放权重指训练好的模型参数对外发布，使用方可以把模型下载到自己的机器上运行，而不只是通过别人的服务接口调用；免费指的是这次发布的授权条件。

面向的用途

英伟达把商业会议转写和医疗转写作为目标应用，这两类都是 AI 在工作场所中已经确立的用途^[1]。会议转写把讨论变成可以检索、可以传阅的文字记录；医疗转写把口述的内容变成书面记录。在这两种场景里，人名、数字或术语写错都会带来后果，词汇因此成了这次发布的重点。

关键细节

模型有 300 亿参数，英伟达的说法是它可以在单块芯片上运行，硬件涵盖 Jetson、DGX Spark 和 Blackwell^[1]。参数是神经网络在训练中不断调整的内部数值，参数越多，模型容量通常越大，部署时需要的算力和内存也越多。能在单块芯片而不是服务器集群上跑，决定了转写系统可以放在什么位置。

英伟达表示，开发者可以把模型、Granary 数据集和 NeMo Speech 工具组合起来，识别各语言中的行业术语^[1]。行业术语是某个领域内部通用的说法，比如内部产品名、部门缩写、药名，这一层恰恰是通用模型最缺乏依据的地方；数据集和工具链，就是让团队把模型往这一层上调整的手段。

语音数据集通常有两种用法：模型从成对的录音与文字里学到声音和词之间的对应关系；留出的那部分录音则用来衡量模型在没见过的语音上表现如何。把一个版本的数据集与模型、工具一起发布，指向的是让开发者按自己语言的行业词汇做调整。

同月竞争

这次发布出现在语音模型格外密集的一个月里，同期的还有 Mistral 的 Voxtral 3、ElevenLabs Realtime 和 Salesforce 的 Launa-Omni^[1]。

这次发布的分量

把条件放在一起看：免费、开放权重、覆盖最多 40 种语言、单芯片部署，另有配套的数据集与工具链^[1]。对打算自建转写功能、而不是调用现成服务的团队来说，正是这些条件决定了模型能不能被自己下载、调整和运行。