Nemotron 3.5 Transcribe：开放转写模型

它是什么

英伟达在 2026 年 10 月 28 日发布了 Nemotron 3.5 Transcribe，这是一个开放权重的语音增强语言模型。你给它一段音频，再用一句自然语言交代要什么，它就输出对应的文字：逐字转写、整理后的书面稿、带说话人标签的会议记录、翻译，或者针对录音内容的问答。官方管这叫"智能转写"，意思是同一段录音没有唯一正确的文字稿，数字写成口语还是阿拉伯数字、要不要删口头禅，都由每次请求的指令决定，不用重新训练。

关键规格

它由 Transformer 语音编码器、一个冻结的 Nemotron 3 Diarization 说话人模型，再加上 Nemotron 3.5 Lightning 的混合 Mamba-Transformer 专家混合语言模型拼成。型号里的 30B-A4B 指的是语言模型这一块，把音频编码器算进去，模型卡给出的总参数约 340 亿，每个 token 实际参与计算的约 43 亿。这意味着算得不多，但权重得整个装进显存，规划硬件要按 340 亿来算。

上下文窗口是 65536 个 token，单段录音最长一小时。模型卡写明支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注，最多区分 8 个说话人，需要时还能给出带说话人的词级时间戳。许可证是 OpenMDW-1.1，权重和 NeMo Speech 里的微调工具链都公开。知识截止时间官方没有写。

能力和成绩

下面都是英伟达自己公布的数字。英文 Open ASR 榜的 9 个公开测试集上，平均词错误率 4.71%，模型卡里对比的 Qwen3-ASR-1.7B 是 4.94%。多语种榜上是 4.62%，对方是 6.49%。多人重叠说话的场景，平均 cpWER 为 15.80%，对比的 DiCoW v3.3 加 DiariZen 是 16.83%。给模型一份预期出现的人名术语清单，官方说在 ContextASR-Bench 上实体错误降到了原来的六分之一左右。

独立评测方面，官方发布文章引用了 Artificial Analysis 的 2.8% AA-WER。它的测试集和算法与上面几项都不同，数字不能跨榜单比大小。

怎么用、多少钱

权重可以在 Hugging Face 下载，有 BF16、FP8、NVFP4 和 GGUF 版本，另有一个给推测解码用的 DFlash2 草稿模型。官方硬件表里，H100 80GB 跑 BF16，L40S 48GB 跑 FP8，消费级只列了 RTX 5090 跑 NVFP4，DGX Spark 和 RTX PRO 6000 Blackwell 也在列。推理可以用 vLLM，也可以用 Transformers 在进程内直接跑。

官方没有登记 API 名称，页面上也没有给出按量计费的价格，所以这里不写价格。英伟达另有 Nemotron Transcribe NIM，官方说 NVFP4 加 DFlash2 在一张 RTX PRO 6000 Blackwell 上，每秒最多能转写 2238 秒音频。模型卡同时提到，这些优化没有进入发布时的开源 vLLM 集成，预计那条路径大约慢一倍，预算算力时要按自己的实测来。

和谁比

拿 Qwen3-ASR-1.7B 比，英文榜上 4.71% 对 4.94%，差距不大，但参数量差了二十倍左右。如果你只要把英文录音变成干净文字，小模型更省事。大模型的价值在于一次请求就能拿到说话人标签、翻译、时间戳，并且靠指令控制输出格式。长录音上，官方报的 10.98% 对 Parakeet-TDT-0.6B-v3 的 13.37%，同样是模型卡里的对比。

短板也很清楚：它面向离线的整段录音，官方没有提供流式接口。做实时字幕或语音助手，要去看专门的流式模型。AI主线的看法是，这个模型的价值不在某一项跑分，而在于把转写、分人、翻译和格式整理压进了同一个可自托管的权重里。

适合谁

做会议纪要、访谈整理、播客字幕、客服录音复盘的人，值得拿它试一轮。技术负责人选型时，别只看榜单平均值：中文是否在 40 种语言里、精度如何，先查模型卡的语言表，再拿自己的真实录音分别测词错误率和人名术语准确率。

几个坑要提前知道。说话人标签只区分声音，不会告诉你这是谁。给的上下文词表既能纠正专有名词，也可能把转写带偏。转写结果如果喂给下游的智能体，要当作不可信数据处理。想针对专业领域微调的话，官方同步发布了 Granary v2 数据集，但公开的只有标注清单，音频要自己从原发布方获取；官方的医疗语音适配实验把词错误率从 22.44% 降到 12.17%，那只是他们自己的录音和流程，结论要在你的数据上重新验证。