NVIDIA 开源 Nemotron 3.5 Transcribe：40 语种转写，说话人分离+翻译+问答一体
NVIDIA 发布 Nemotron 3.5 Transcribe，一个开放权重的多语种语音转写模型，支持 40 种语言的转写、31 种语言的互译、13 种语言的说话人分离，以及音频问答。模型采用 Mamba-2-Transformer 混合 MoE 架构，总参 34B、激活约 4.3B（含音频编码器），上下文 65536 token，最长处理 1 小时录音，可标注最多 8 位说话人。提供 BF16/FP8/NVFP4 三种精度，可在 H100 单卡部署，也支持 RTX Spark/DGX Spark/Jetson AGX Thor 本地运行。
模型的核心能力：① 转写（verbatim 或 written form 两种风格）；② 上下文转写（领域词汇引导）；③ 说话人分离转写；④ 富文本转写；⑤ 语音翻译；⑥ 语言识别；⑦ 音频问答。开发者可以用自然语言引导输出格式。在 Hugging Face Open ASR Leaderboard 英语转写中排第一，Artificial Analysis 准确率-活跃参数前沿，David AI 21 语种说话人分离榜最低错误率，VoiceArena 14 系统对比第一。Granary v2 开放数据集包含 463,062 小时、48 种语言、16 个语料库的多语种语音数据，提供三种转写形式（verbatim/ITN 带语气词/ITN 去语气词）及上下文偏置、翻译、问答等标签。
Granary v2 是 Nemotron 语音集合的一部分，基于 NVIDIA NeMo Curator 构建的可复用数据管线，包含音频准备、转写（ASR）、任务标签生成、高保真过滤四阶段。NVIDIA 同时提供了医疗 ASR 微调案例——微调使留出说话人的 WER 相对最佳 prompt 降低 45.8%。模型许可为 OpenMDW-1.1，支持 vLLM/SGLang-Omni 部署，Baseten/DeepInfra 提供托管端点。