英伟达开放语音转录模型 Nemotron 3.5 Transcribe，可精准区分多人重叠对话

英伟达推出开放权重语音转录模型 Nemotron 3.5 Transcribe，同步公开训练数据管线 Granary v2。模型整合转录、说话人归属、翻译和音频问答，面向会议纪要、课堂录像、访谈整理及多语言客服等场景。

模型采用混合专家架构，总参数约 340 亿，激活参数约 43 亿，可处理最长 1 小时录音，支持 40 种语言转录，最多区分 8 名说话人，并能在生成文本时为每段发言标注说话人，应对多人同时说话的场景。

评测显示，该模型在 Hugging Face 英语语音识别榜单以 5.33%的平均词错误率位居开放权重模型第一，在 21 种语言说话人分离基准中录得 18.26%的最低错误率，目前已免费开放。

同步公开的 Granary v2 覆盖 46.3 万小时音频、48 种语言，可将原始音频加工为多种转录格式、翻译和字幕，供语音模型训练使用。