语音转录这个赛道，长久以来被切成三段：听写的归听写，翻译的归翻译，分辨谁在说话的归说话人日志。一家公司要搭一套会议记录系统，得把 ASR 引擎、翻译接口、说话人分离模块拼在一起，中间隔着三种 API、三套错误率指标和三次精度损耗。
10 月 28 日，英伟达把这三段合成了一段。它发布的 Nemotron 3.5 Transcribe 不是传统意义上的语音识别模型，而是一个“可提示的语音大模型”：同一段录音，你用一句指令就能让它输出逐字稿、书面稿、带说话人标签的会议纪要，或者直接翻译成英文。总参数 340 亿，每次推理只激活约 43 亿，支持 40 种语言转录、31 种语言与英语互译，最多能区分 8 名说话人。
更关键的是，它开源了。权重、数据、训练配方全部放在 Hugging Face 和魔搭上，许可证 OpenMDW-1.1 允许商用。在 Hugging Face 的 Open ASR 英文榜单上，它以 4.71% 的平均词错误率排在开源模型第一，领先阿里巴巴的 Qwen3-ASR（4.94%）和 IBM 的 Granite Speech。
一个模型吃掉整条语音流水线
过去几年，语音技术的进步是线性的：识别更准了，翻译更快了，说话人分离更稳了。但进步的方式没有变，仍然是专用模型解决专用问题。transcription、translation、diarization 是三个独立工种，工程师的工作是把它们串起来。
Nemotron 3.5 Transcribe 改变了分工方式。它的底层是 Speech-Augmented Language Model（SALM），本质是把音频编码后塞进一个大语言模型的上下文里，让语言模型用“理解文本的方式”理解语音。于是语音任务变成了文本任务：你给它一段会议录音，再给它一句“把这份录音整理成书面会议纪要，去掉口头禅，标出每位发言人的名字”，它就像处理一段文字提示那样输出结果。
这套思路的直接好处是“一次推理，多种产出”。模型支持 65,536 token 的上下文窗口，能处理最长一小时的录音，音频、提示词和输出共享同一个上下文预算。同一段音频，换一条指令就能得到逐字稿、带时间戳的富转录、代码切换转录，甚至直接回答“刚才谁同意了预算方案”这类音频理解问题。说话人区分目前覆盖 13 种语言，最多可标记 8 名发言者。
英伟达同时发布的 Granary v2 数据管线，解释了这种能力从哪来。这套基于 NeMo Curator 构建的系统，把同一段录音“翻译”成多种输出形态：逐字版、书面版、去填充词版、代码切换版，再加上转录衍生的字幕和问答对。语言覆盖从 Granary v1 的 25 种扩大到 48 种，完整处理集合约 84.36 万小时音频，其中约 14.28 万小时被译成英语，5.5 万小时英语音频被译成 31 种目标语言。
数据决定上限。Granary v2 的标签质量过滤让 9 个基准的未加权平均词错误率从 4.91% 降到 4.67%。Nemotron 3.5 Transcribe 的训练数据里就包含 Granary v2，这解释了它为什么能在开源榜单上压过一众专用 ASR 模型。
MoE 架构让 340 亿参数变得可用
340 亿总参数、每次只激活 43 亿，这是理解这款模型商业可行性的关键数字。
如果是一个稠密模型，340 亿参数意味着推理成本高到只能跑在云端集群上。Nemotron 3.5 Transcribe 用的是 Mamba-2 与 Transformer 混合的专家混合（MoE）架构，配合 Parallel Expert Encoder，一个 Transformer ASR 编码器加一个说话人编码器。任何一次推理，大部分网络保持沉默，只有约 43 亿参数被激活。
效果是精度和成本的折中点被重新划定。在 Hugging Face Open ASR 英文榜上，它以 4.71% 的平均 WER 排在开源第一；长语音 ASR 平均 WER 10.98%，多语言 ASR（7 种语言）4.62%，多说话人 ASR（AMI、CALLHOME、Mixer 6、NOTSOFAR-1 完整会话）平均 cpWER 15.80%，全部优于次优开源模型。而部署只需要 1 张 H100 80GB。
英伟达还给了更极端的效率数字：在 RTX PRO 6000 Blackwell Server Edition GPU 上，用 NVFP4 精度加 DFlash2 推测解码，每秒能转录 2,238 秒音频，30 秒录音 0.13 秒返回结果。不过英伟达也老实承认，这些服务优化还没进开源版本，目标是上游到 NeMo Speech。
这意味着什么？意味着企业可以把一个“能听、能翻、能分人、能总结”的模型部署在自己的 GPU 上，而不是把录音上传给第三方 API。对金融、医疗、法律这些对数据出域敏感的行业，这是比准确率更重要的门槛。
开源是英伟达的“卖水”策略
英伟达为什么要开源？答案不在模型本身，在 GPU。
语音转录是典型的算力消耗型场景。一通一小时的客服电话、一场两小时的跨国会议、一天八小时的庭审录音，都要用 GPU 逐秒推理。模型越开放，采用的人越多，推理需求越大，对英伟达 GPU 和 NIM 微服务的需求就越大。
OpenMDW-1.1 许可证允许商用，权重、数据、训练配方全部放开。需要说明的是，部分中文媒体报道将其写作 OpenMDL-1.1，官方名称为 OpenMDW-1.1。企业拿到模型后可以基于 Granary v2 的数据管线和 NeMo Speech 的微调工具，用自己的领域数据做适配。英伟达给出的医疗 ASR 案例里，微调后在留出说话人上的词错误率相对最佳提示词降低了 45.8%。
这是一种“模型免费、算力收费”的经典打法。开源模型降低了采用门槛，把更多语音工作负载从 CPU 和第三方 API 赶到 GPU 上；而一旦企业开始微调、开始部署、开始跑推理，它们就会自然地留在英伟达的 CUDA 生态里。
更微妙的是榜单效应。Nemotron 3.5 Transcribe 在 Hugging Face Open ASR 英文榜上排第一，领先 Qwen3-ASR 和 IBM Granite Speech。开源榜单是开发者的风向标，排第一的模型会吸引更多下载、更多微调、更多生产部署，然后吸引更多算力消费。
谁会被动，谁会受益
先说受益者。呼叫中心、会议 SaaS、医疗病历录入、法律庭审记录、媒体字幕制作，这些行业会最先吃到红利。过去它们要分别采购 ASR、翻译、说话人分离服务，现在一个开源模型就能覆盖大部分场景，而且能本地部署。
再说被动者。纯 ASR 创业公司的空间被压缩了。当一个大模型能同时做好识别、翻译、分人、总结，而且免费开源时，单点 ASR 服务的溢价能力会快速下降。它们要么转向垂直领域的深度微调，要么转向端到端的工作流产品，只卖“识别引擎”会越来越难。
大厂之间则是另一场仗。阿里巴巴的 Qwen3-ASR、IBM 的 Granite Speech 已经在榜单上被压了一头。语音能力的竞争正在从“谁的识别更准”变成“谁的模型更通用、生态更开放、微调更顺手”。这对开发者是好事，开源模型之间的军备竞赛，最终会转化为更快的迭代和更低的成本。
还有一个容易被忽略的受益方：小语种。40 种转录语言、31 种翻译语言，Granary v2 覆盖 48 种语言。大厂的语音服务往往优先优化英语和汉语，而开源模型的数据管线一旦覆盖更多语种，小语种场景的转录质量会被整体抬升。
语音技术的范式切换
Nemotron 3.5 Transcribe 真正的信号不是“英伟达又发了一个开源模型”，而是语音技术的范式切换：从拼装多个专用模型，到用一个可提示的大模型吃掉整条流水线。
短期看，它会加速语音工作负载向 GPU 迁移，巩固英伟达在推理侧的护城河。中期看，开源权重会把语音能力变成基础设施，单点 ASR 服务的商业空间被压缩，垂直微调和端到端工作流成为新的竞争点。长期看，当“听、翻、分人、总结”变成一句提示词就能完成的事，语音交互的门槛会进一步降低，更多应用会把语音当作原生输入方式。
对开发者来说，现在最值得做的不是重复造轮子，而是基于 Granary v2 的数据管线和 NeMo 的微调工具，把自己的领域数据变成护城河。模型是公开的，数据是你的，这才是开源时代真正的差异化。
快报