英伟达开源 Nemotron 3.5 Transcribe：转写、翻译、说话人分离合一
英伟达发布 Nemotron 3.5 Transcribe，开放权重（30B 总参、每 token 激活 4B 的 MoE），把转写、说话人分离、翻译与音频问答合进同一个 checkpoint：可转写 40 种语言、31 种语言与英语互译、13 种语言标注说话人，单次处理最长 1 小时录音、最多 8 位说话人，并支持用自然语言提示控制输出格式与领域词汇。权重已在 Hugging Face 与 ModelScope 放出，同期开源 Granary v2 数据管线与微调配方。
官方给出的位置：英文在 Hugging Face 开放 ASR 榜的开放权重模型里排第一，并落在 Artificial Analysis 的「精度—激活参数」前沿；说话人分离在 David AI 的 21 语言评测中错误率最低、在 VoiceArena 的 14 系统对比里排第一。量化版本标注「即将推出」，本地目标是 RTX Spark、DGX Spark 与 Jetson AGX Thor，数据中心侧走 Blackwell。
意义在形态：转写过去是「专用小模型 + 商业 API」的拼装活，现在一个 30B 开放权重模型同时把多语种、说话人分离与翻译做到榜前，会议记录、医疗口述这类场景的默认方案会被推向自托管。需要留一手的是榜位与前沿位置均为厂商自述，量化版未放出前本地可行性没有实测数据。
核验记录
Hugging Face 官方博客页 JSON-LD datePublished 2026-10-28T14:58:17.125Z、页内可见 Published October 28, 2026，两处同日。nvidia-dev RSS 里 10-29 05:11 那篇是同一系列的用法稿（Nemotron 3.5 Super VL），不作为本条发布日。榜单位置与「开放权重第一」为 NVIDIA 自述，本机未直读 HF Open ASR 榜、Artificial Analysis 与 David AI 的榜单页。配图取该博客 og:image，裸请求与带站内 Referer 双 200 / JPEG 34,794 字节。
← 上一篇Particle-1 发布：在 DeepSeek V4.1 Flash 上后训练，平均省 45% token下一篇 →谷歌发布 Gemini 4 Carbon：最强网络安全与长程能力前沿模型