事件经过：一个检查点干四件事

美国时间 2026 年 10 月 28 日，英伟达在 Hugging Face 与 ModelScope 发布开放权重语音模型 Nemotron 3.5 Transcribe，同时公开第二代多语言数据清单与署理管线 Granary v2。与传统 ASR 模型不同，它把语音转写、说话人归属标注、翻译和音频问答收进同一个检查点，用自然语言提示词切换输出形式——同一段会议录音，可以分别要求「转写并标注每位说话人」「把这段音频译成英语」「这次会议做出了哪些决定」。

能力与规格：支持 40 种语言转写，其中 31 种语言可与英语双向互译，13 种语言支持说话人归属标注；单次可处理最长约 1 小时录音，最多区分并标注 8 位说话人，支持词级时间戳。架构上为语音编码器搭配 Mamba–Transformer 混合的混合专家语言模型，官方技术博客口径为约 300 亿总参数、约 40 亿激活参数（部分中文媒体报道为 340 亿 / 43 亿，本文以英伟达技术博客与模型卡为准）。许可为 OpenMDW-1.1。模型面向已录制的音频，官方明确不建议用于实时流式转写；量化版本「即将推出」，届时可跑在 RTX Spark、DGX Spark、Jetson AGX Thor 与 Blackwell 数据中心 GPU 上，当前检查点可通过 NeMo Speech 插件配合 vLLM 部署为兼容 OpenAI API 的服务。

评测表现：在 Hugging Face Open ASR 英语榜以平均词错误率（WER）5.33% 位列开放权重模型第一；模型卡对比中，七种语言平均 WER 4.62%、长音频 WER 10.98%，两项均为参评开放权重模型中最低。Artificial Analysis 非流式 ASR 指数上以约 2.8% 的 AA-WER 与最佳开放权重成绩基本持平，而激活参数量约为后者的六分之一（部分报道表述为约五分之一至八成减少）。David AI 的 21 种语言说话人分离基准中，以 18.26% 的 DER 在 14 个系统中最低。VoiceArena 含重叠语音的 2—8 人英语完整会话评测中，以 32.4% 的 cpWER 排名第一。Cekura 真实通话私有评测中，使用推荐提示词时 WER 为 2.48%，开放权重模型第一。

Granary v2 是这次发布里被低估的一半。它基于 NVIDIA NeMo Curator 构建，公开数据清单覆盖 48 种语言、16 个源语料库、463,062 小时音频（Granary v1 为 25 种语言）。管线为同一段录音生成三种互相对齐的转写形式：tn_raw（文本规范化的逐字稿）、itn_raw（数字等表达书面化但保留口语不流畅）、itn_clean（进一步去除不流畅表达），并产出音频描述、语码混用外来词还原、音频问答对、上下文术语与带质量评分的译文。整理流程分 Metadata、ASR、Text、HiFi 四阶段，含主模型与回退模型的幻觉检查切换。

三类场景：这场开源改变了什么

英伟达给出的医疗案例验证了第三条路：先在合成环节把标准书面形式与发音分离（以「HbA1c」为标签、把「H B A one C」送进语音合成器），用约 153 小时合成语音 + 29 小时带口音英语 + 63 小时医疗录音做适配，训练只更新语音编码器与投影层并通过 LoRA 适配语言模型，全流程在一块 NVIDIA GB300 上约 14 GPU 小时。Eka Care 基准全量 WER 从开箱即用的 30.8% 降到提示词优化后的 23.8%、再到微调后的 11.8%；按说话人划分的 2,764 个留出片段上从 22.44% 降到 12.17%，相对降幅 45.8%。

对从业者的影响

做会议纪要、客服质检、庭审与病房录音转写的团队，这是第一次有了免授权费的高质量替代项。建议的验证方式很具体：拿你们自己的录音跑一遍 Granary 推荐提示词，与当前付费服务商的输出做 WER 对比；如果差距主要在行业术语上，再走微调路线，而不是上来就训练。

做产品集成的团队，请注意两条硬限制。一是模型面向离线录音而非实时流式，实时字幕场景当前不适用；二是英伟达自己建议抽读姓名、说话人切换与回答内容——这不是客套，任何语音模型都会在这三类上出错。真正要上线，还需要一层后处理校验。

想省成本的个人与小团队，先算硬件账。开放权重不等于免费：约 300 亿参数的模型至少需要一块数据中心级 GPU 才能顺畅部署，量化版尚未发布。在你自己的机器上跑之前，用 vLLM + NeMo Speech 的官方参数组合试一次，别只看榜单分数。

站长观点

编辑部的判断是：这次发布里更耐久的不是「榜单第一」，而是把数据管线一起开源。开放 ASR 领域过去几年的问题从来不是缺一个好权重，而是缺一套可复现的整理方法——你拿到别人的模型，却拿不到它的训练格式目标，于是任何领域适配都要从零摸索格式。Granary v2 把「目标形态（raw / itn / clean）+ 元数据 + 微调配方」一并给出，等于把控制权限从提示级延伸到训练级。

我们给开发者的取舍建议是：如果你正在评估替换付费转写服务，现在可以做第一轮 PoC；如果你只是想给产品加个语音功能，先别急着自建。理由是部署与维护成本不会因为权重免费而消失：约 300 亿参数模型的显存占用、调度与并发，需要一个专门的人盯着。榜单上的 5.33% WER 是在公开评测集上取得的，你们自己的录音很可能落在 15% 以上——这个差距只能靠你们自己的数据和 Finetune 拉回来。一句话：权重免费，数据依旧昂贵，只是这次英伟达把贵的那一半也给了工具，而不是给了结果。

来源清单

• NVIDIA Blog《Thin, Light and Built for Everything: NVIDIA RTX Spark Windows Laptops Gain New Models, Agent Tools and Games》(2026-10-28)
• NVIDIA 技术文章与 Nemotron 3.5 Transcribe 模型卡（Hugging Face，2026-10-28）
• Granary v2 数据清单与 NeMo Curator 管线教程（GitHub / NVIDIA-NeMo）
• 腾讯新闻·IT之家《英伟达开源最强转录 AI：支持 40 种语言，8 人抢话也能精准转录》(2026-10-29)
• 微信公众号技术解读《NVIDIA 开源 Nemotron 3.5 Transcribe：支持 40 语种转写》(2026-10-29)
• TechCrunch 关于 Nemotron 3.5 Transcribe 的报道（2026-10-29）

核查日期：2026 年 10 月 30 日。参数规模各来源表述存在差异（300 亿 / 340 亿），本文采用英伟达技术博客与模型卡口径；评测分数来自公开榜单当时的快照，榜单每日更新，以 Hugging Face Open ASR 与Artificial Analysis 当前页面为准。