英伟达 Nemotron 3.5 Transcribe 开源：30B 语音模型覆盖 40 种语言

英伟达放出 Nemotron 3.5 Transcribe 的开放权重，30B 总参的 MoE，激活约 4B。

能力清单

40 种语言转写，31 种语言与英文互译，最多支持 8 人说话人分离。在 Hugging Face 开放 ASR 英文榜上以 5.33% 平均词错率排第一。同期还发布了 Granary 语音数据集第二版。

一个必须看清的限制

它只处理录音文件，不支持直播流。这个限制直接决定了适用场景：会议录音转写、课程录音归档、医疗问诊记录整理这类离线批处理完全够用，但实时字幕、电话客服的流式转写用不上。

英伟达自己的说法也印证了这个定位——近期落地就是会议与医疗转写。

为什么这件事对国内团队有意义

中文语音识别长期依赖云端 API，成本随用量线性增长，且录音要出内网。一个可自托管的开源权重模型，哪怕中文效果不如专门的国产模型，也能覆盖很多「数据不能出去」的场景。8 人说话人分离在访谈、圆桌、多医生会诊里是硬需求，市面上能做到这个粒度的开源模型不多。

部署提醒

30B 的 MoE 即便激活只有 4B，显存占用仍按总参算。想压到消费级卡上跑，需要做量化，而 ASR 模型对量化误差比纯文本模型更敏感——声学特征一旦失真，词错率会非线性上升。建议先在自己的语料上量一遍 WER 再决定。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

只支持录音不支持流媒体这条限制很致命，实时字幕和客服录音的场景直接排除。八人分离在会诊和访谈里是硬需求，但量化后声学特征失真会让词错率非线性上升，别一上来就 4bit。

只支持离线文件这个限制把定位说清楚了：会议录音、课程归档、问诊记录这类批处理完全够用，实时字幕就别指望。8 人说话人分离在真实会议里仍会串，建议先拿自己的录音测一轮再定。