英伟达发布 Nemotron 3.5 Transcribe：开源约30B MoE 语音模型，覆盖40种语言转写

英伟达发布开源权重语音大模型 Nemotron 3.5 Transcribe，面向转写场景：单一模型覆盖约40种语言，并可处理最长约1小时的录音；用户可用文本指令指定输出样式，包括逐字稿、书面体、说话人归因、上下文增强及翻译等形态，从而有望替代原先分离的自动语音识别、说话人分离与对齐工具链。模型总参数约34B、激活约4.3B，上下文长度65536，可在单张H100 80GB以BF16运行；另提供约35GB的FP8与约21GB的NVFP4检查点，后者可在RTX 5090上运行，并有面向NeMo-Speech.cpp的GGUF文件。在公开英语Open ASR九项评测上，该开源模型平均词错误率约4.71%，优于次优开源约4.94%，但仍落后顶尖商业API；在AliMeeting普通话远场会议评测上字符级错误率约34.95%，表现较弱。架构上为语音增强语言模型：音频编码器嵌入再经大模型解码，使转写可被提示词控制。英伟达将其定位为转写专才而非通用助手，并强调不存在唯一正确转写稿。总体看，它把转写、说话人标签、时间戳与翻译收拢到一个开源模型，但目前仅支持离线，且普通话会议场景准确率偏弱。