英伟达开源 Nemotron 3.5 Transcribe：一个模型用提示词完成 40 种语言转写、说话人标注、翻译和音频问答，同时公开 46 万小时的 Granary v2 数据

同一段录音，换一句提示就换一种产出

英伟达 10 月 28 日发布 Nemotron 3.5 Transcribe，权重已上架 Hugging Face 和 ModelScope。它的卖点是「可提示」：同一段会议录音，提示「转写并标注每位说话人」得到带说话人的逐字稿，提示「翻译成英文」得到译文，问「会上做了哪些决定」则直接回答。官方给出的能力边界是：转写 40 种语言，其中 31 种可与英语互译，13 种支持说话人标注；单段录音最长 1 小时，最多区分 8 位说话人；音频问答只在英语上训练过。

遇到生僻术语，可以在提示里列出候选词，例如医疗场景写上「HbA1c、metformin」，并要求只在音频确实出现时使用。

参数、许可与成绩

模型卡写明总参数 34B、每个 token 激活约 4.3B（含约 8 亿参数的音频编码器），语言部分是 Mamba 与 Transformer 混合的 MoE；提供 BF16、FP8、NVFP4 三种精度，许可证为 OpenMDW-1.1，可商用。英伟达公布的成绩包括：Hugging Face Open ASR 英文榜开放权重模型第一，平均词错误率 5.33%（该图排除了 API 模型）；Artificial Analysis 的 AA-WER 为 2.8%，与一个激活 24B 的模型并列开放权重第一；在 David AI 的 21 种语言说话人分离榜上错误率 18.26%，为 14 个系统中最低。

微调数据也一起放出

同时开放的 Granary v2 数据清单覆盖 48 种语言、16 个来源语料、共 463,062 小时，每条录音给出逐字、规范化和去口头禅三种文本。英伟达在印度医生语音基准上演示：只改提示，错误率从 30.8% 降到 23.8%；再用约 14 个 GPU 小时微调，未参与调参的说话人上从 22.44% 降到 12.17%。

适用边界

模型卡明确它是离线模型，内部切块不等于实时流式，适合会议纪要、课程回放和医疗口述这类录音场景，不适合要求低延迟的语音智能体。英伟达也提醒，人名、说话人切换和问答结果仍要对照原录音抽查。