英伟达推出支持四十种语言的转录模型

Nvidia 新发布的 Nemotron 3.5 Transcribe，瞄准的是把会议录音、医疗记录等音频转成可处理的文字。它免费开放权重，支持最多 40 种语言，还提供翻译和多人区分能力。但有一个决定产品形态的限制：它处理录好的音频，不支持直播流。

对开发者来说，这条新闻的价值不只是多了一个语音模型，而是多了一套可以考虑自行部署、适配行业术语的工具组合。至于识别效果和运行成本是否划算，原文提供的证据还不足以下结论。

支持 40 种语言，不等于都能互相翻译

据 TechCrunch 报道，Nvidia 于 2026 年 10 月 28 日发布 Nemotron 3.5 Transcribe，同时推出开源语音数据集 Granary 的第 2 版。

模型的几项能力需要分开看：

• 转录支持最多 40 种语言，也就是把音频中的话写成文字。
• 翻译支持 31 种语言与英语双向转换，原文没有说它支持这些语言之间任意互译。
• 可处理最长一小时的录音。
• 能区分最多 8 位说话者。

最后一项对会议记录很实用：一份连在一起的文字稿，和一份能区分不同发言者的文字稿，后续整理难度不同。不过，区分说话者不等于知道每个人的真实身份。原文也没有交代重叠发言、嘈杂环境下的表现。

40 种语言转录和 31 种语言与英语双向翻译，是两组不同的能力边界。

Nvidia 声称，该模型在包括 Hugging Face 的 Open ASR Leaderboard 在内的基准上超过竞争对手。ASR 指自动语音识别，衡量的是机器把语音转成文字的能力。但报道没有给出具体分数、对手名单和测试条件，不能据此判断它对中文会议录音也一定更准。

真正影响接入方式的是录音限制和部署条件

这套工具面向商务会议、医疗转录等场景。Nvidia 给出的适配思路是：结合模型、更新后的 Granary 数据集，以及 NeMo Speech 等工具，让应用识别不同语言里的行业术语。

这比单纯增加支持语言更贴近业务问题。普通词识别得不错，并不保证产品名、缩写和专业词汇也准确。行业适配的目标，就是减少这些关键位置的错误。

但报道只说明了方向，没有提供训练流程、数据需求或适配后的效果。拿到模型和数据集，并不等于已经拿到可以直接上线的行业转录服务。

更明确的约束是音频输入：

Nemotron 3.5 Transcribe 面向已录制音频，不能直接承担实时语音交互。

如果你做的是会后上传录音、等待转录、编辑结果的产品，这个边界可以接受。如果需求是边说边出字幕，或者让语音 Agent 即时回应，就不能只凭这篇报道把它选进技术方案。

部署方面，Nemotron 3.5 Transcribe 有 300 亿参数。Nvidia 声称它能在单芯片上运行，列举了 Jetson AGX Thor、DGX Spark 和 Blackwell 数据中心芯片等平台。它也加入了 Nvidia 已有的开放权重语音模型阵容，其中包括 11 亿参数的 Parakeet。

这里的关键不是「单芯片」三个字，而是实际吞吐、延迟和资源占用。原文没有给出显存需求、量化配置，也没有交代转录一小时录音需要多久。300 亿参数与 11 亿参数的规模差异，可以提醒团队关注部署开销，却不能直接证明谁的效果或性价比更好。

我的判断

我认为，这次发布最有价值的地方，是把开放权重模型、语音数据集和行业适配工具放在了一起。对有部署能力、又需要处理专业术语的团队，它提供了比单纯调用通用转录服务更多的调整空间。

但开放权重与开源数据集需要区分。报道明确说 Granary 是开源数据集，对模型的表述则是免费、开放权重；具体许可证和使用条件没有展开，不能自行补成「任何用途都无限制」。

同样，免费获得权重不等于运行没有成本。与托管转录 API 相比，自行部署是否值得，要看业务量、硬件条件和维护投入。这是选型判断，原文没有提供两种方案的成本对照。

报道提到，Mistral 在当月发布了 Voxtral 3，ElevenLabs 推出用于语音 Agent 即时语音的 Realtime，Salesforce 也发布了 Launa-Omni。这能说明语音 AI 产品发布密集，却不能把它们当作同一任务下的性能排名。

整篇报道没有作者或他们团队的独立实测。榜单领先、单芯片运行和多语言能力，主要来自 Nvidia 的声明；适合作为试用线索，还不足以成为采购或替换现有方案的结论。

能拿来做什么

• 做会议录音产品时，可以先围绕上传、异步转录、结果编辑设计流程；前端和 Node 服务的接入方案应按录音任务处理，不预设它提供实时流式输出。
• 评估中文或行业录音时，用自己的样本检查专业词、多人交替发言和长录音表现，并分别核对转录与翻译所需语言是否受支持。
• 决定自行部署前，先测目标硬件上的资源占用和处理耗时，再与现有托管 API 比较成本，不把「免费权重」直接当作低成本结论。
• 如果错误集中在行业词汇，可以进一步研究 Granary 第 2 版与 NeMo Speech 的适配路径；报道没有提供可直接复用的训练命令，需要另行确认实施细节。