NVIDIA 开源 Nemotron 3.5 Transcribe：转写、说话人标注、翻译与音频问答

10月29日凌晨（上海时间约 04:45），账号 Chubby（@kimmonismus）介绍称，NVIDIA 放出一款开源语音模型，能把会议录音转成文字、标出谁说了什么，还能翻译，并就录音内容回答问题。[1]

模型正式名是 Nemotron 3.5 Transcribe，Hugging Face 仓库为 nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B。按 Chubby 帖与官方模型卡、发布博客，能力边界大致是：约 40 种语言转写；英语与约 31 种语言互译；最多约 八名说话人，说话人标签在约 13 种语言可用；单段录音最长约 一小时。开发者可喂专有名词与术语引导转写，减少行业黑话被听错；也可直接就录音提问。音频问答主要按英语训练，其他语言上的问答效果需自行实测。[1][2][3]

规模上约 30B 参数，每 token 约 4B 激活，可在自有 NVIDIA 显卡上跑。NVIDIA 发布材料称，它在 Hugging Face 英文开源语音识别榜的开源权重模型中排名靠前，并在 VoiceArena 含说话人归属的十四套系统对比中领先；具体分数以模型卡与榜单当日页面为准，本稿不另推算。[2][3]

模型卡写明：面向已录制音频；实时流式要用另一套方案。许可为 OpenMDW-1.1，2026年10月28日已在 Hugging Face 等渠道上线。想先听效果可走演示空间；要本地部署可看模型卡里的 vLLM 与 Transformers 说明。会议纪要、多语字幕、「谁说了什么」这类离线整理场景，是它眼下最直接的用法；若业务依赖实时字幕，需要另找流式方案，不要误当成同一条产品线。Chubby 帖给出的能力清单与官方文档大体一致，落地前仍建议对照模型卡的语言支持表。

来源

[1] Chubby 介绍 NVIDIA 开源 Nemotron 3.5 Transcribe，查询日 2026-10-29。

[2] Hugging Face 模型卡：NVIDIA-Nemotron-3.5-Transcribe-30B-A4B，查询日 2026-10-29。

[3] Hugging Face Blog：NVIDIA Nemotron 3.5 Transcribe and Granary v2，查询日 2026-10-29。

[4] Demo Space：nemotron-transcribe，查询日 2026-10-29。

#NVIDIA #Nemotron #语音转写 #开源模型 #HuggingFace