摘要

英伟达于 10 月 28 日发布 Nemotron 3.5 Transcribe——一个面向"智能转录"的开放权重语音大模型。它用单一模型即可逐字或书面转写 40 种语言，并支持上下文、说话人归属（speaker attribution）与逐词时间戳，且可用自然语言指令选择输出方式。该模型在英语与多语种 Open ASR 公开榜上均为开放权重模型中的最佳。同日，英伟达还发布了配套的多语种语音数据集与可复用整理系统 Granary-v2。模型采用约 300 亿总参数、每 token 约 40 亿激活的 MoE 架构，单颗芯片即可运行，可在本地完成高精度转录。

正文（译文）

英伟达推出 Nemotron 3.5 Transcribe，一个用于智能转录的开放权重语音大模型（open speech LLM）：单一模型即可逐字或书面转写 40 种语言，并附带上下文、说话人归属与逐词时间戳，且可通过自然语言指令选择输出方式。它是英语与多语种 Open ASR 排行榜上表现最好的开放权重模型。

关键能力 该模型把语音识别从"单纯转写"推向"带语义的智能转录"：一次性输出文本、说话人标签与精确时间戳，开发者可用指令控制语言、是否书面化、是否带标注等。其英文词错率（WER）在开放权重模型中居首（约 5.33%），并支持最多 8 名说话人的分离。

配套数据 同日发布的 Granary-v2 是一个多语种语音数据集与可复用的数据整理系统，为"可预测、可控"的语音语言模型提供数据底座，使模型输出更符合指令预期。

架构与部署 Nemotron 3.5 Transcribe 采用混合专家（MoE）架构，总参数约 300 亿、每 token 激活约 40 亿，配合 NVFP4 精度优化，可在单颗芯片（如 RTX / DGX Spark 级别）上本地运行，适合企业私有化部署与端侧落地。