英伟达发布Nemotron 3.5 Transcribe与Granary v2：可提示、可适配的开源多语转写模型

英伟达开源权重模型Nemotron 3.5 Transcribe现已上线Hugging Face与ModelScope，将多语转写、说话人归属（分离）、翻译与音频问答整合进同一检查点：可转写40种语言、对其中31种与英语互译、在13种语言中标注说话人，支持最长约一小时录音与最多八名说话人。开发者可用自然语言引导输出、选择音频处理位置，并适配领域词汇与口音。该模型在Hugging Face Open ASR排行榜英语赛道开源权重模型中位列第一（平均词错误率5.33%），多语七语平均WER 4.62%、长音频平均10.98%，均为对比中最低；说话人归属方面在David AI 21语排行榜错误率最低，并在VoiceArena 14系统对比中排名第一。模型可在单块英伟达GPU上运行，从DGX Spark到Blackwell数据中心。配套的Granary v2多语数据与可复用整理流水线（同样在Hugging Face与ModelScope提供）及NeMo Speech微调工具，把提示级控制延伸到训练；医学案例中相对最佳提示微调使留出说话人的词错误率相对下降45.8%。同一检查点可按指令输出说话人标签、英译或会议决策摘要；模型卡提供预设、完整提示指南与任务—语言矩阵，并支持词级时间戳。Agora曾用词级时间戳做课堂演示，将录播课与转写同步呈现。