英伟达发布 Nemotron 3.5 Transcribe：统一语音转录、说话人分离与翻译的开源模型

英伟达（NVIDIA）于2026年10月28日发布了 Nemotron 3.5 Transcribe，这是一个开源权重的可提示模型，旨在将语音转录、说话人归属（diarization）、翻译和音频问答整合到单一检查点中。该模型现已在 Hugging Face 和 ModelScope 上提供。

Nemotron 3.5 Transcribe 支持40种语言的转录，其中31种语言可翻译成英语或从英语翻译，并能在13种语言中进行说话人归属。它处理长达一小时的录音，最多可标记八个说话人。开发者可以通过自然语言指令引导输出，例如“转录此录音并标记每个说话人”或“将此音频翻译成英语”。

在性能方面，该模型在多个独立基准测试中表现突出。在 Hugging Face Open ASR Leaderboard 的英语赛道中，它在开源权重模型中排名第一，平均词错误率（WER）为5.33%。在 Artificial Analysis 的语音转文本排行榜中，它以约40亿活跃参数实现了2.8%的AA-WER，与拥有240亿活跃参数的模型并列第一，展现了极高的效率。在说话人归属方面，它在 David AI 的21语言 diarization 排行榜上误差率最低，并在 VoiceArena 的14系统比较中排名第一。

除了模型本身，英伟达还发布了 Granary v2 多语言数据集及其可复用的数据策划管道。Granary v2 涵盖48种语言的463,062小时音频，较前版本大幅扩展。配合 NeMo Speech 微调工具，开发者可以利用这些数据和配方针对特定领域（如医疗术语）进行适配。在一个医疗案例研究中，微调使保留说话人的词错误率相对于最佳提示降低了45.8%。

该模型设计用于录制音频而非实时流媒体，可在单个 NVIDIA GPU 上运行，从 DGX Spark 到 Blackwell 数据中心系统均支持。这一发布为需要高精度多语言语音处理的开发者提供了一个统一的开源解决方案，简化了传统上需要组合多个专用模型的复杂工作流。