Nvidia 发布 Nemotron 3.5 Transcribe：支持 40 种语言的开源语音转录模型
2026 年 10 月 28 日，Nvidia 正式推出 Nemotron 3.5 Transcribe。这是一款免费且开放权重的语音识别模型，具备处理多达 40 种语言音频的能力。与此同时，Nvidia 还发布了 Granary 数据集的第 2 版本，旨在为开发者提供更丰富的开源语音训练资源。
在功能指标上，Nvidia 声称 Nemotron 3.5 能够将 31 种不同语言的语音翻译为英语，并支持长达一小时的录音文件处理。该模型具备说话人分离技术，可区分最多 8 个不同的扬声器。据官方介绍，其在多项基准测试中的表现优于竞争对手，包括 Hugging Face 上的开源自动语音识别（ASR）排名。
这一工具主要面向需要构建商务会议记录及医疗转录应用的开发人员。Nvidia 指出，开发者可以结合 Nemotron 3.5、Granary 数据集以及 NeMo Speech 等工具，针对特定行业的术语进行定制化开发。需要注意的是，目前该模型仅支持对录制好的音频文件进行转录，暂不支持实时直播流的语音转写。
硬件兼容性方面，Nemotron 3.5 可运行于多种 Nvidia 芯片平台，涵盖用于机器人控制的 Jetson AGX Thor、搭载 DGX Spark 芯片的笔记本电脑，以及 Blackwell 数据中心芯片。该模型的加入丰富了 Nvidia 现有的开放权重语音模型家族，其中包括参数规模较小但性能强劲的 Parakeet 模型（1.1 亿参数）。
Nvidia 此次发布正值语音人工智能领域竞争加剧之际。本月早些时候，Mistral 推出了 Voxtral 3；ElevenLabs 在其语音代理产品中引入了实时即时语音功能；Salesforce 也发布了名为 Launa-Omni 的语音模型。
