NVIDIA开源Nemotron 3.5 Transcribe：一个模型搞定转写、分说话人、翻译和音频问答

平时追番、看访谈、整理直播录音的人，大概都被“听写”这件事折磨过。10月28日，NVIDIA 发布了开放权重语音模型 Nemotron 3.5 Transcribe，思路是把原本要拆成好几步的工作，交给一个模型一次完成。

它能做什么

传统流程通常是先检测语音、再转写文字、然后区分说话人，最后才能对内容提问。Nemotron 3.5 Transcribe 把这些合在一起：

• 转写：支持 40 种语言，其中包括七种印度语言；
• 区分说话人：最多可标注 8 位 说话人；
• 翻译：可以直接把音频翻成英文；
• 音频问答：比如“这次会议做了哪些决定”，用一句自然语言提示就能问。

提示里还能加入专有名词和格式要求，这对动画、游戏这种角色名、术语特别多的内容挺实用。

规格与运行

据报道，模型采用 300亿参数的混合专家（MoE）架构，每次激活约40亿参数，可处理长达约100小时的音频。它能在单张 NVIDIA GPU 上运行，从边缘设备到数据中心都行；NVIDIA 同时公开了用于微调的开放数据管线，开发者也可以在 Hugging Face 上试用。另外，NVIDIA 官方博客 提到，这个模型也能在新的 RTX Spark 笔记本上本地运行。

我的看法

对字幕组、播客和内容创作者来说，“开放权重 + 本地运行 + 一次搞定说话人和翻译”这个组合很有吸引力，至少不用把录音上传到别人的服务器。不过官方资料没有逐一列出这40种语言，中文和粤语的实际效果如何，我还要等更多实测再下结论。