英伟达正在把语音识别从“能听写”推向“能处理复杂会议现场”。近日，英伟达正式开源了新一代语音转录模型 Nemotron 3.5 Transcribe。它的目标并不只是把声音变成文字，而是尽可能准确地处理真实世界中的复杂音频：多人发言、语言混杂、录音冗长，甚至有人同时插话。

面向专业场景的语音转录模型

Nemotron 3.5 Transcribe 主要面向专业级语音处理需求，例如会议记录、访谈整理、播客转写、多语言内容生产等。对于开发者而言，这类模型的价值在于，它不再只是一个基础识别工具，而更接近一套完整的语音转写底座。

在架构上，该模型采用了混合专家模型，也就是 MoE 架构。其总参数规模约为 340 亿，但每次前向推理实际激活的参数约为 43 亿。这样的设计思路，是在保留大模型理解与推理能力的同时，尽量提升运行效率，让模型更适合实际部署和调用。

单次可处理最长 1 小时音频

长音频转写一直是语音识别领域的难点之一。Nemotron 3.5 Transcribe 单次最多可处理长达 1 小时的连续录音，这意味着它可以覆盖很多常见的完整音频场景，比如一场内部会议、一段深度访谈，或是一期完整播客。

对于需要自动整理会议纪要、生成内容摘要或建立语音资料库的团队来说，长音频处理能力可以明显减少切分音频、分段转写和后期拼接的复杂度。

支持 40 种语言转录，31 种语言可与英语互译

在语言支持方面，Nemotron 3.5 Transcribe 也体现出了较强的国际化能力。该模型支持 40 种语言的语音转录，并进一步支持其中 31 种语言与英语之间的双向翻译。

这使它不仅能用于单一语言的语音转写，也可以服务跨语言沟通场景。例如，跨国会议记录、外语内容翻译、国际客服录音分析，或者多语言媒体内容的自动化处理，都可以借助这一能力降低人工整理成本。

最多区分 8 位说话人

多人对话是语音识别长期面临的挑战之一。尤其是在会议或讨论场景中，说话人交替频繁、背景音复杂，甚至可能出现多人同时开口的情况，传统模型很容易混淆发言归属。

Nemotron 3.5 Transcribe 在这方面给出了更高的上限：它最多可以区分 8 名不同说话人，并对不同声音进行归属判断。换句话说，模型不仅要识别“说了什么”，还要尽量分辨“是谁在说”。这对于会议纪要、访谈整理和多人对话分析来说，是非常实用的能力。

基准测试成绩亮眼

除了功能覆盖，Nemotron 3.5 Transcribe 在权威测试中的表现也值得关注。

在 Open ASR 英语组评测中，该模型的平均词错误率低至 5.33%，在同类开放权重模型中排名第一。词错误率越低，意味着转写结果与真实语音内容之间的偏差越小。

在 Artificial Analysis 的非流式测试中，Nemotron 3.5 Transcribe 的词错误率进一步降至 2.8%，并成功并列开源榜单第一名。这一成绩说明，该模型在标准测试环境下已经具备相当强的语音识别准确度。

对开发者意味着什么？

英伟达此次开源 Nemotron 3.5 Transcribe，给语音技术生态提供了一个新的基础选择。它并不是单纯追求参数规模，而是把重点放在了几个真实应用中非常关键的问题上：长音频处理、多语言支持、多人说话人分离，以及高准确率转写。

对于开发者和企业来说，这意味着可以在会议助手、播客工具、语音搜索、客服分析、多语言内容平台等场景中，构建更成熟的语音处理产品。随着模型开放，围绕语音转录的二次开发和应用创新，也可能进一步加速。