Nvidia 发布开源转录模型 Nemotron 3.5 Transcribe，支持 40 种语言

摘要

发布时间：

太平洋夏令时间上午 8:00 · 2026 年 10 月 28 日

Nvidia 周三发布了 Nemotron 3.5 Transcribe，这是一款免费的开放权重模型，最多可转录 40 种语言的音频。该公司还发布了其开源语音数据集 Granary 的第 2 版。

Nvidia 宣称，Nemotron 3.5 可以在 31 种语言与英语之间互译，处理长达一小时录音，并能区分多达八位说话者。它声称该模型在基准测试中击败了竞争对手，包括 Hugging Face 的 Open ASR Leaderboard。

这些工具面向为商务会议和医疗转录构建应用的开发者——这是 AI 在职场中最成熟的两大立足点。Nvidia 表示，开发者可以使用该模型、更新后的 Granary 数据集以及其 NeMo Speech 模型等工具，定制应用以识别各语言中的行业术语。一个缺点是：Transcribe 只能处理已录制的音频，不支持直播流。

尽管如此，该公司承诺拥有 300 亿参数的 Transcribe 可以在单颗芯片上运行，从 Jetson AGX Thor 机器人控制器和为新款笔记本电脑提供动力的 DGX Spark 芯片，到 Blackwell 数据中心芯片均可。它加入了 Nvidia 的开放权重语音模型行列，其中包括超小型但强大的 Parakeet（11 亿参数）。

Nvidia 最新推出的语音产品正值 AI 语音发布的高峰期：Mistral 本月早些时候发布了 Voxtral 3；ElevenLabs 推出了 Realtime，用于语音智能体的即时语音；Salesforce 则发布了其语音模型 Launa-Omni。