40 种语言的录音，一句话就能转写、翻译、分清谁在说话：NVIDIA 这次把数据管线也开源了

10 月 28 日，NVIDIA 在 Hugging Face 发布了 Nemotron 3.5 Transcribe：一个开权重语音模型，一次搞定转写、翻译、说话人区分和音频问答，还附带 Granary v2 数据集与清洗管线。数字先按出处分级：40 种语言转写、31 种语言与英语互译、13 种语言区分说话人、单段录音最长 1 小时、最多区分 8 位说话人——这是 NVIDIA 官方口径，经 TechCrunch 与 Hugging Face 官方博客交叉一致。榜单成绩也是厂商口径：Hugging Face 英语 Open ASR 榜平均词错率 5.33%，自称开权重第一；Artificial Analysis 语音转文字指数 2.8%，自称并列开权重第一。榜单第一不等于你的录音也这个成绩，口音、噪音、专业术语都会拉低实测。

它和一般转写工具不一样的地方在两处。第一，能用自然语言“指挥”输出：要逐字稿还是 cleaned-up 版、要不要标注医学术语或产品名，一句话说明就行，不用改配置。第二，模型本身只有约 40 亿参数在每次推理时激活（总参数约 300 亿，混合专家结构），NVIDIA 称单块芯片就能跑，从 Jetson AGX Thor 机器人控制器、DGX Spark 笔记本芯片到 Blackwell 数据中心卡都行——“单芯片能跑”是厂商说法，实际速度和显存占用要看部署配置，别直接当成“笔记本随便跑”。

更值得本地部署玩家看的是 Granary v2：46.3 万小时、48 种语言的公开语音数据清单与清洗管线，前代是 25 种语言。NVIDIA 还给了一个医疗案例：用印度医生的医疗语音微调后，留出测试集上的错误下降 45.8%，约 14 小时单卡训练——这是厂商演示口径，未经独立复现，但它点出了正确用法：通用模型 + 自己领域的数据微调，才是转写工具真正值钱的地方。

我的判断：会议记录、医疗转写、播客整理这三类活，先别急着换模型，先拿自己最难的一段录音去 Hugging Face 演示页试一轮——多人打断、口音重、术语密的那种。对得上，再谈本地部署；对不上，榜单数字再好看也没用。注意一条硬边界：它只处理录音，不做直播实时转写，直播场景别选它。未经实测，个人判断。