把一段会议录音变成带说话人、带时间戳、还能翻译的文本，过去至少需要四五个模型接力。现在英伟达说，一个就够了。
一个模型吃掉整条语音流水线
英伟达正式开放了 Nemotron 3.5 Transcribe 的模型权重。这不是一次普通的模型发布，而是一次对语音处理工作流的收口。
传统的语音转录流水线是拼起来的：一个模型负责听写，一个模型负责区分说话人，一个强制对齐器把单词和时间戳对上，再来一个翻译模型做跨语言转换。每一跳都多一份部署、多一份延迟，错误还会层层累积。
Nemotron 3.5 Transcribe 把转录、说话人归属、翻译、单词级时间戳，甚至音频问答，全部塞进一个检查点。开发者用自然语言指令决定输出形态：要原文、要翻译、要说话人标签，一句话的事。它支持 40 种语言的转录，其中 31 种可与英语双向互译，说话人归属覆盖 13 种语言。单次可处理长达 1 小时的连续录音，最多同时区分 8 名说话人，上下文窗口 65K token。
在底层架构上，模型采用混合专家（MoE）架构，总参数量约 340 亿，每次前向传播只激活约 43 亿参数。音频编码器先把每秒声音压缩成 12.5 个 token，再由混合 Mamba–Transformer 的 MoE 模型写出文本，最后由一个小型时间戳头把每个单词对齐回音频。模型以 BF16 和 FP8 两种精度开放权重，采用 OpenMDW-1.1 许可，可下载后跑在自己的 GPU 上，从 DGX Spark 到 Blackwell 数据中心系统，单卡即可运行。
MoE 的真正价值，是让开源模型在效率曲线上追上闭源 API
过去开源语音模型的尴尬在于：准确率追上闭源模型时，推理成本高得吓人；把成本压下来，准确率又掉回去。Nemotron 3.5 Transcribe 的解法很直接，用 MoE 把“大”和“快”拆开。
340 亿总参数给了模型足够的容量去记忆多语言、多口音、多领域的表达；但每次只激活 43 亿参数，意味着推理时的计算量和显存占用接近一个中等体量模型。在 Artificial Analysis 的非流式测试中，它落在准确率与激活参数的帕累托前沿上：约 40 亿激活参数，词错误率 2.8%。换句话说，它用别人一半不到的激活成本，拿到了榜单第一梯队的准确率。
对开发者来说，这个取舍的意义比数字本身更大。语音转录是典型的离线批处理负载，企业关心的是一块 GPU 一天能转多少小时音频，而不是单次延迟。MoE 让同一个模型既能挂在云端做批量转录，也能下放到本地处理敏感录音。医疗问诊、法庭庭审、金融客服，这些场景里数据不出域往往是硬约束，闭源 API 再准也进不去。
榜单背后的信号：开源正在吃掉闭源语音 API 的收费理由
英伟达公布的成绩单相当硬。在 Hugging Face Open ASR 榜单英语组，它平均词错误率 5.33%，是开放权重模型里的第一，第二名的开放模型是 5.40%；长音频转录 10.98% 对 13.37%，七语言多语转录 4.62% 对 6.49%，都是开放权重里最低。说话人归属上，它在 David AI 的 21 语言说话人日志榜单 14 个系统中错误率最低，在 VoiceArena 的英语多说话人转录对比 14 个系统里排第一。
这些数字拼起来指向一个判断：对大量工作负载而言，准确率已经不再是企业为闭源语音 API 付费的理由。剩下的变量只有两个，每小时的推理成本，和数据能不能留在自己手里。
这解释了为什么英伟达要同时放出 Granary v2 和 NeMo Speech 微调配方。Granary v2 是一条开放的数据清洗流水线，公开清单覆盖 463,062 小时、48 种语言、16 个源语料库，比上一代的 25 种语言几乎翻倍。它让开发者可以定义自己需要的输出格式，再把模型适配到自己业务遇到的语音和词汇。英伟达给出的医疗案例里，微调后在保留说话人身上的词错误率，比最佳提示词再降 45.8%。
开源的打法从来不是免费，而是可控制。当一家医院能让模型学会自己的科室术语，当一家律所能让转录结果符合自己的文书格式，闭源 API 那套统一输出、按量计费的商业模式就被撬开了一个角。
语音是智能体的耳朵，而英伟达想卖整条供应链
把视角拉高一层，Nemotron 3.5 Transcribe 不是孤立产品，它是 Nemotron 3.5 开放模型家族向垂直场景渗透的一环。同一时期，英伟达发布了面向智能体的 Nemotron 3.5 Lightning，一个 300 亿参数、可本地运行的开放语言模型，能跑在 RTX PC、RTX PRO 工作站、DGX Spark 和 Jetson 上。
语音转录对智能体意味着什么？意味着会议、电话、播客、课堂这些占企业知识存量最大头的非结构化音频，第一次可以被低成本地转成智能体能理解的文本，还带着谁在什么时候说了什么的结构。一个能听懂 40 种语言、能区分 8 个人、能连续听 1 小时的开源模型，等于给智能体装上了一对便宜又可靠的耳朵。
而这副耳朵最终要插在谁的硬件上？英伟达的 GPU。从 DGX Spark 到 Blackwell，从 RTX 笔记本到数据中心，模型越开放、部署越下沉，对推理芯片的需求就越分散、越无处不在。开放权重看似在让渡软件控制权，实则在为硬件铺路。开发者用英伟达的模型、英伟达的微调工具、英伟达的数据流水线，最后自然跑在英伟达的卡上。
开源语音基座时代来了，闭源 API 的护城河只剩省心
Nemotron 3.5 Transcribe 给专业语音转录提供了一个新的开源基座选项。它未必在所有场景都立刻取代闭源服务，实时流式转录、极端噪声环境、超长连续会议，这些边角还需要时间验证。但它已经把准确率够不够这个问题，从闭源阵营的专利，变成了开源社区可以共同迭代的公共议题。
接下来值得盯三个信号：社区基于 Granary v2 和 NeMo 配方微调出的垂直模型能达到什么水平；Granary v2 的 46 万小时语料里各语言、各场景的分布是否均衡；以及 OpenMDW-1.1 许可的商业边界到底划在哪，能不能直接打包进产品卖、需不需要披露，这些条款会决定它是真开源，还是仅仅可下载的开放权重。
语音转录的战场已经从谁听得更准，转向谁转得更便宜、更可控。当准确率不再是稀缺资源，护城河就只剩下成本和信任两样东西。
快报