NVIDIA 于 2026 年 10 月 28 日在 Hugging Face 与 ModelScope 发布开放权重、可提示的语音模型 Nemotron 3.5 Transcribe，并同步推出 Granary v2。单一检查点可转写 40 种语言，对其中 31 种做与英语的互译，并在 13 种语言上做说话人归属。可处理最长约 1 小时、最多 8 名说话人的录音，支持自然语言提示、词级时间戳，以及以英语训练的音频问答。模型面向录音，不支持直播流。
要点
| 内容 | |
|---|---|
| 发布时间 | 2026 年 10 月 28 日（NVIDIA Hugging Face 博文） |
| 分发 | Hugging Face、ModelScope 开放权重；TechCrunch 称免费开放权重 |
| 能力 | 转写 40 语；英互译 31 语；说话人归属 13 语；音频问答（英训） |
| 限制 | 录音最长约 1 小时；最多 8 说话人；非直播流 |
| 规模 | 总参约 300 亿；约 40 亿激活（混合 Mamba–Transformer MoE） |
| HF Open ASR（英语开源权重） | 第一；平均 WER 5.33% |
| Artificial Analysis（非流式） | 约 2.8% AA-WER；HF 称开源并列第一；THE DECODER 写 2.81%，Voxtral Small 为 2.77% |
| Granary v2（HF 一手） | 公开清单 463,062 小时 / 48 语 / 16 个源语料库 |
| Granary v2（THE DECODER） | 约 844,000 小时 / 48 语（与 HF 公开清单数字不同） |
| 部署 | 现可用 vLLM；量化版与 NeMo-Speech.cpp 即将推出；博文列有托管端点 |
背景
开发者可用自然语言提示同一段会议录音，得到带说话人标签的转写、英译，或关于会上决定的问答。也可把专业术语作为提示，模型只应在音频支持时采用。各任务支持的语言不同；官方提醒核对姓名、说话人切换与答案。
说话人归属方面，NVIDIA 引述 David AI 21 语 diarization 赛道在 14 个系统中错误率最低（DER 18.26%），以及 VoiceArena 英语全场对比第一（cpWER 32.4%），删除率为参考词的 8.32%，中位数约 31%。在占 AA-WER 一半权重的 AA-AgentTalk 上，博文给出 1.8% WER，优于其所列次优开源的 2.3%。
Granary v2 是开放的数据整理流水线与公开清单。Hugging Face 博文写明：公开清单覆盖 463,062 小时、48 语、16 个源库，语种数高于 Granary v1 的 25；这些数字描述数据集发布，不等于 Transcribe 完整训练配比。THE DECODER 另报约 844,000 小时。在官方未在同一处对齐前，公开计数以 HF 清单为准，Decoder 数字单独标注。
医疗微调案例（Eka Care 印度临床语音）称：最佳提示下留出说话人 WER 22.44%，微调后 12.17%（相对降 45.8%），主要用合成语音加部分真实医疗录音，约 14 GPU 小时（单块 GB300）。TechCrunch 将场景概括为商务会议与医疗转写，并强调不做直播流。
反应与影响
TechCrunch 把此次发布放在语音 AI 密集一周的背景下，并提到 Mistral Voxtral 3、ElevenLabs Realtime、Salesforce Launa-Omni。THE DECODER 强调开放权重、较低激活参数与医疗适配数据，并再次说明音频问答以英语训练、模型仅处理录音。
尚不确定
- Granary v2 为何 HF 公开清单为 463,062 小时，而 THE DECODER 报约 844,000 小时
- NVFP4 量化与本地 NeMo-Speech.cpp 何时正式提供
- 更多实验室复跑同一非流式套件后，AA-WER 排名如何变化
- 除二手报道所称「开放权重」外的许可与商用条款（上线前请核对模型卡）
来源
- NVIDIA Nemotron 3.5 Transcribe and Granary v2 — NVIDIA on Hugging Face，2026 年 10 月 28 日（一手）
- Voice AI in vogue: Nvidia releases new open transcription model — TechCrunch，2026 年 10 月 28 日
- Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition — THE DECODER，2026 年 10 月 28 日