英伟达发布开源语音模型Nemotron 3.5 Transcribe

英伟达于2026年10月28日发布开源权重语音识别模型Nemotron 3.5 Transcribe，据aitimes.com报道，模型权重已以允许商业使用的OpenMDW-1.1许可在Hugging Face上公开。

该模型采用混合专家（MoE）架构，总参数约340亿，激活参数约43亿。它可处理最长1小时的录音，最多区分8位说话人并标注每人的发言时间；用户还能用自然语言指定转写风格，例如逐字转写或整理后的句子。模型可识别40种语言的语音，并在31种语言之间进行翻译，主要以英语为目标语言。

基准测试与配套工具

英伟达称，Nemotron 3.5 Transcribe在Hugging Face英文开放ASR排行榜的开放权重模型中排名第一，词错误率为4.71%；在七语种多语言评测中平均错误率为4.62%。在ContextASR-Bench评测中，其基于上下文的识别功能将专有名词错误最多降至六分之一。在自有数据上追加训练的医疗语音识别实验中，词错误率相对优化提示基线下降45.8%。

英伟达同时提供NeMo Speech工具和语音训练数据集Granary 2。公司表示，在优化推理环境中，一块基于Blackwell架构的RTX PRO 6000 GPU每秒可处理最长2238秒音频，但并非所有优化都包含在公开的开源版本中。

需要注意的是，该模型不直接处理实时流式音频，输入为已录制的音频。此次发布之际，Mistral与ElevenLabs等主要AI公司也在语音识别与语音智能体技术上展开竞争。