英伟达Nemotron 3.5 Transcribe与Granary v2：可提示适配的智能多语言转录

英伟达在Hugging Face和ModelScope上发布了一款开放权重的语音模型Nemotron 3.5 Transcribe，把转录、说话人识别、翻译和音频问答四件事塞进了同一个检查点。按照官方说法，这是目前开放权重模型里英语转录成绩最好的一款，在Hugging Face开放ASR排行榜上排名第一，同时进入了Artificial Analysis的"准确率—活跃参数"前沿区间。在说话人识别任务上，它在David AI的21语言说话人日志排行榜上错误率最低，在VoiceArena的14系统对比中排名第一。 这款模型的能力边界值得拆开看：支持40种语言转录，其中31种可与英语互译，13种语言支持说话人标注；单次可处理长达一小时的录音，最多标记8个说话人。更关键的是"可提示"——开发者可以用自然语言直接指挥输出，比如"转录这段录音并标注每个说话人""把这段音频翻译成英语""这次会议做了哪些决定"。对于医疗等专业场景，还可以在提示里预先给出术语表（如HbA1c、二甲双胍），要求模型仅在音频支持时使用这些词并保留标准医学拼写。模型卡里附带了推荐预设、完整提示指南和按任务划分的语言支持矩阵，需要提醒的是音频问答功能仅用英语训练。 配套发布的还有Granary v2多语言数据集和可复用的数据整理流水线，加上NeMo Speech微调工具，把"提示级控制"延伸到了训练环节——开发者可以定义自己需要的书面形式，让模型适配实际遇到的语音口音和词汇。英伟达给出的医疗案例显示，在留出的说话人测试集上，微调后词错误率相对最佳提示方案下降了45.8%。对跨境电商卖家和出海团队来说，这意味着多语言客服录音、海外会议纪要、直播内容本地化这些场景，多了一个可私有化部署、可按行业术语定制的选项。英伟达表示量化版本即将推出，模型可跑在RTX Spark、DGX Spark、Jetson AGX Thor等本地设备上，也能在Blackwell数据中心GPU上扩展。不过官方也提醒，和任何语音模型一样，人名、说话人切换和问答结论仍需对照原始录音抽查。