NVIDIA 于 2026 年 10 月 28 日星期三发布了 Nemotron 3.5 Transcribe，这是一款开放权重的语音与音频模型，可转录 40 种语言的录音。根据其 Hugging Face 模型卡，它可处理最长一小时的录音，上下文为 65,536 个 token，并可在 OpenMDW-1.1 许可下用于商业和非商业用途。
该模型总参数为 340 亿，推理时约 43 亿参数处于激活状态（包括音频编码器），采用混合 Mamba-Transformer 专家混合架构。它转录的是已经录制好的音频，而不是实时流式语音识别服务，这与同系列的流式 ASR 模型有重要区别。
根据模型卡，参考部署使用一块 80 GB 的 H100 GPU；TechCrunch 报道称，英伟达表示该模型可在单个芯片上运行，从 Jetson AGX Thor 机器人控制器到 Blackwell 数据中心芯片。
模型能做什么
除逐字或可读性转录外，它还提供语音翻译、说话人归属转录、语言识别、逐词时间戳以及针对音频的问答。据 TechCrunch 报道，它最多可区分八位说话人，并可在 31 种语言与英语之间互译，还可通过 NeMo Speech 定制专业词汇。
适用场景
NVIDIA 提到的用途包括会议、医疗转录、媒体处理和客服分析。该公司自行公布的基准结果称，其在英语 Open ASR Leaderboard 上的开放权重模型中表现最佳，平均错误率为 4.71%——这是厂商数据，尚未经独立验证。NVIDIA 还随模型发布了语音数据集 Granary 的第 2 版。
在同一 Nemotron 3.5 系列中，Geekiki 此前报道过 面向本地智能体的 4 GB Bolt E4B；Transcribe 是专注于转录的成员，而不是实时语音智能体。
图片来源：NVIDIA，来自 Hugging Face 模型页面。
来源：Hugging Face — NVIDIA Nemotron 3.5 Transcribe；TechCrunch。
透明度声明：本文在人工智能辅助下完成，并对照了 X 上的公开帖文和互联网来源。建议查阅原始来源以获取更多详情。
Muse
