封面：英伟达 Hugging Face 博客配图（波形示意）
北京时间 10 月 28 日约 23:14，英伟达 AI 账号宣布：开源一套语音转写权重，名字叫 Nemotron 3.5 Transcribe。英伟达做 GPU 的那家，这几年也在往开源模型推；这次是语音方向。
大白话说：你把会议、门诊、访谈这类已经录好的音频丢进去，它能打字、标谁在说、翻译，还能按你的提示整理。官方和 TechCrunch 都写得很清楚——专攻录音，不做实时直播流。
官方宣布帖（NVIDIA AI）
https://x.com/NVIDIAAI/status/2115462300241141882
英伟达官方技术博客（Hugging Face）
https://huggingface.co/blog/nvidia/nemotron-transcribe-granary
NVIDIA AI 官方帖截图（北京时间 10 月 28 日约 23:14）
一套权重能干啥
官方说法：开源权重、可用提示词引导。参数规模他们对外写成约 300 亿总参数的混合专家结构，每次大约激活 40 亿量级；模型卡里写得更细一点：连音频编码器一起算，总量约 340 亿、激活约 43 亿。对外宣传口径和模型卡数字略有出入，文末单独标了。
同一套权重覆盖这些事（按官方博客 / 宣布帖）：
• 转写：约 40 种语言
• 说话人：标出谁说了什么；博客写最长约 1 小时录音、最多约 8 人
• 翻译：其中约 31 种语言可与英语互译
• 按提示干活：比如加说话人标签、改成另一种语言、找并打码隐私信息
• 听懂一点内容：可对录音提问（音频理解；英文评测为主）
演示里他们拿老电影《女友礼拜五》里语速快、互相抢话的片段做说话人标注——意思是：乱说话也能尽量跟住谁在说。
Hugging Face 模型卡社交预览图（官方仓库名）
开源权重 ≠ 云端 API
先分清两件事，别混：
• 开源权重：你可以自己下 Hugging Face / ModelScope 上的检查点，用 vLLM 或 NeMo-Speech.cpp 自己跑。权重走 OpenMDW-1.1。
• 别人托管的接口：博客另列了 Baseten、DeepInfra、Simplismart 等托管端点。那是第三方/合作方服务，不是「权重本身 = 免费无限 API」。
官方还说：单卡就能跑，从 Jetson、DGX Spark 到数据中心 Blackwell 都提到了；博客举例在一颗 RTX PRO 6000 Blackwell 上，NVFP4、高并发短切片时，约 100 小时音频能在三分钟内处理完——这是吞吐宣传数字，不是实时延迟承诺。
模型卡 / 下载
https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
在线试听 demo（Hugging Face Space）
https://huggingface.co/spaces/nvidia/nemotron-transcribe
和「实时语音」差在哪
TechCrunch 标题党味少一点，关键句写得很直：能转约 40 种语言，但只吃录音，不吃直播流；更适合会议纪要、医疗听写这类工具，实时对话留给 ElevenLabs 一类对手。
模型卡也写了：内部会把音频切成约 30 秒块处理，这是离线批处理，不等于低延迟实时 ASR。英伟达另外还有更小的流式 ASR 产品线，别跟今天这套「Transcribe」混成一个。
TechCrunch 报道
https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/
TechCrunch 同步帖
https://x.com/TechCrunch/status/2115459343764099219
榜上什么水平（官方自报）
宣布帖和博客给了几组数字，方便跟 Mistral 的 Voxtral 等开源语音模型对照：
• Hugging Face Open ASR 英文榜（开源权重、排除部分 API）：平均字错率约 5.33%，开源里排第一（官方截图 / 宣布帖）
• Artificial Analysis 非流式榜：约 2.8% 字错率指数，激活参数约 40 亿；宣布帖对比 Voxtral Small 约 2.77%、约 240 亿激活——准确率接近，激活量大约只有六分之一
• 说话人：David AI 多语种说话人错误率约 18.26% 排第一；VoiceArena 14 系统对比里 cpWER 约 32.4% 也排第一（博客图）
NVIDIA AI 线程第 2 帖：Open ASR 开源权重第一（官方截图）
Open ASR Leaderboard 英文榜截图（来源：英伟达发布素材）
Artificial Analysis：字错率 vs 激活参数（开源非流式）
David AI 多语种说话人错误率对比（英伟达发布图）
VoiceArena 说话人+转写对比（英伟达博客图）
领域词不对？可以再训
光会转写通用话不够，医学缩写、行业黑话还得对准。他们同步开了 Granary v2 语音数据清单和 NeMo Speech 微调配方。博客里的医疗案例：换更好的提示后字错率从 30.8% 降到 23.8%；再微调，留出说话人测试集约再降到约 12.2%，相对最好提示大约少 45.8% 的错。这些是官方案例数字，换你自己的数据不一定同幅。
相关链接
• NVIDIA AI 官方宣布帖
https://x.com/NVIDIAAI/status/2115462300241141882
• 英伟达技术博客（HF）
https://huggingface.co/blog/nvidia/nemotron-transcribe-granary
• 模型卡 / 权重
https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
• 在线 demo
https://huggingface.co/spaces/nvidia/nemotron-transcribe
• TechCrunch 报道
https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/
• Artificial Analysis 非流式榜
https://artificialanalysis.ai/speech-to-text/non-streaming
说明：标题里的「专攻录音，不做实时」来自官方博客与 TechCrunch 表述。参数规模对外口径约 30B / ~4B 激活；模型卡写总约 34B、激活约 4.3B（含音频编码器）。Open ASR 宣布数字为 5.33%；模型卡「一览」另列九数据集均值 4.71%，可能是不同统计口径或更新时点，未在本文独立复核榜单实时页。
