NVIDIA 開放權重轉錄模型 支援40語言
NVIDIA 10/28 釋出 Nemotron 3.5 Transcribe 開放權重語音轉錄模型。Hugging Face 上 NVIDIA 的部落格稱支援 40 種語言，其中 31 種可與英文互譯、13 種可標示講者；約 300 億參數、每個 token 啟用約 40 億，可處理最長 1 小時錄音、最多 8 位講者，僅限錄音檔。NVIDIA 自評 Open ASR 英文字詞錯誤率 5.33%。授權條款部落格未載明。
NVIDIA 10/28 釋出開放權重轉錄模型 Nemotron 3.5 Transcribe，NVIDIA 部落格稱支援 40 種語言。僅處理最長 1 小時的錄音檔，不是即時轉錄。
NVIDIA 的 Hugging Face 部落格稱，Nemotron 3.5 Transcribe 可轉錄 40 種語言，其中 31 種可與英文互譯，13 種可標示講者。模型約 300 億參數、每個 token 啟用約 40 億，採 Mamba 與 Transformer 混合的專家混合架構；Hugging Face 列表顯示 340 億，兩個數字略有出入，本站並陳。
能力邊界：單檔最長 1 小時、最多標示 8 位講者，部落格明說這是為錄音檔設計，不是即時串流。NVIDIA 自評在 Hugging Face Open ASR 排行榜的英文賽道，字詞錯誤率 5.33%、開放權重模型中第一；另列多語 4.62%、長錄音 10.98%。這些都是業者自評，本站未見獨立複測。
取得方式：權重放在 Hugging Face 與 ModelScope，Baseten、DeepInfra、Simplismart 有託管端點，vLLM 與 SGLang-Omni 已支援，量化版與本機部署「即將推出」。配套的 Granary v2 資料集涵蓋 48 種語言、共 463,062 小時。
授權條款部落格沒有載明，商用前請自行查模型卡；繁體中文是否在 40 種語言內，本站未核對到。
跟你的關係
對開發者：可下載的開放權重模型，適合離線轉錄，但授權條款部落格沒寫，商用前請查模型卡。對一般讀者：僅處理錄音檔、不能即時字幕；繁體中文是否在 40 種語言內，本站未核對。
重點
- 40 種語言轉錄；31 種可與英文互譯、13 種可標示講者（NVIDIA 部落格）。
- 約 300 億參數、啟用約 40 億；Hugging Face 頁面列 340 億，兩者並陳。
- 最長 1 小時錄音、最多 8 位講者；部落格稱為錄音檔設計、不是即時串流。
- Open ASR 英文賽道字詞錯誤率 5.33%，NVIDIA 稱為開放權重第一（業者自評，未見獨立複測）。
- 權重在 Hugging Face 與 ModelScope；Baseten、DeepInfra、Simplismart 有託管端點；授權條款部落格未載明。
來源
本站內文為依上列來源整理的摘要，未另外增加事實；細節請以原文為準。