NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 在 Hugging Face 发布开放权重模型 Nemotron 3.5 Transcribe，将多语言转写、说话人标注、翻译与音频问答整合进同一检查点，并同步开放 Granary v2 数据整理管线与微调方案。
核心事实
NVIDIA 在 Hugging Face 博客发布 Nemotron 3.5 Transcribe，称其为开放权重、可用自然语言提示的语音模型，现已上线 Hugging Face 与 ModelScope。据博客介绍，该模型在同一个检查点内整合转写、说话人标注（diarization）、翻译与音频问答，支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注，可处理最长一小时的录音并标注最多 8 位说话人。同步开放的还有 Granary v2 数据管线与 NeMo Speech 微调工具。
背景与影响
博客称，该模型在 Hugging Face Open ASR Leaderboard 英语榜的开放权重模型中排名第一，平均词错误率 5.33%；在 Artificial Analysis 的 AA-WER 指标上与另一开放权重模型并列第一，为 2.8%，并称其约 4B 激活参数、总参数 30B。说话人标注方面，博客称其在 David AI 21 语种 diarization 榜的 14 个系统中错误率最低（18.26%），并在 VoiceArena 的 14 系统比较中居首。Granary v2 公开清单覆盖 48 种语言、463,062 小时、16 个来源语料，较 v1 的 25 种语言扩大。博客还给出一个医疗案例：微调后相对最佳提示词，词错误率下降 45.8%。
限制与来源
上述榜单排名与错误率均为 NVIDIA 博客自述，尚未获独立第三方确认。博客明确该模型面向录制音频而非实时流式转写；语言支持因任务而异，音频问答仅以英语训练；量化版本与 NeMo-Speech.cpp 本地部署「即将推出」。博客建议对姓名、说话人切换与问答结果对照录音抽查。具体功能、可用地区与许可请以官网及模型卡当前信息为准。来源：Hugging Face 博客，2026 年 10 月 28 日。