先看证据
把机制串起来
WER 是转写错误率，适合比较识别文本，但不能单独衡量说话人标签、翻译或问答质量；不同语言、数据集和延迟设置下的 WER 也不能直接横比。说话人分离回答“谁在什么时候说话”，不等于识别说话人的真实身份；重叠对话会让它更难。提示词可以引导输出任务和格式，但提示里写了专业术语不代表模型就能听准，仍要用领域数据验证。
使用者可用自然语言指示转写、说话人标记、翻译或音频问答，并按需要求时间戳和书写格式；但各任务的语言覆盖并不相同，音频问答据模型卡为英语训练。对流式 ASR，公开模型卡描述了 Cache-Aware FastConformer-RNNT：FastConformer 编码音频，RNNT 逐步生成文本，并复用注意力层与卷积层缓存，减少重叠音频块的重复计算。模型卡所说的语言提示主要是语言 ID 条件，不应据此推断任意自然语言提示都能直接指定词汇；提示词控制与领域微调是两层能力。提示不
['先用术语提示试跑，术语须有音频依据并人工抽查', '医疗等高风险场景用独立说话人测试集验证微调收益', '低延迟选短块，高准确率优先时比较较长块配置', '重叠对话、专名和说话人切换务必回听核验']
一段录音，开始承担不止一种工作
NVIDIA 在 Hugging Face 发布了 Nemotron 3.5 Transcribe，并介绍了配套的 Granary v2 多语言数据与可复用的数据整理流程。它面向的不是单纯把语音变成文字，而是会议、课堂或专业口述中更具体的问题：谁说了什么、如何翻译、术语怎样写，以及用户能否直接向录音提问。模型以开放权重形式提供，目标是让这些工作共享一个可提示、可适配的语音入口。
这次变化值得技术负责人读，不是因为任务清单变长就代表语音识别问题已经解决，而是输出开始从“逐字稿”转向“可供下游系统使用的文本”。同一段音频可以被要求保留原语言、标出说话人，或转成另一种格式。这个接口更灵活，也让错误的形态变多：转写漏词、说话人归属错、翻译偏差和问答臆断，不能再用一个总体准确率概括。
一个检查点，不等于每项能力同样成熟
NVIDIA 给出的任务范围很宽：模型可转写 40 种语言，将其中 31 种翻译为英语或从英语翻译，并为 13 种语言提供说话人归属。它支持最长一小时的录音，最多标注八位说话人。把这些功能放进同一检查点，确实能减少团队拼接多个模型的工作，也让一次录音有机会直接生成更完整的文本结果。
但这些数字分别对应不同任务，不能合并成“40 种语言都能完成所有工作”。相关 Nemotron 3.5 ASR 模型卡把语言地区分为 19 个转写就绪、13 个广覆盖和 8 个需要微调的适配就绪地区；音频问答则以英语训练。Transcribe 文章也明确指出任务支持会随语言而异。部署前应逐项核对目标语言的转写、翻译、说话人标注和问答能力，而不是从一项任务的语言数推断整套功能都已覆盖。
提示词能改变输出，但不是任意词汇开关
Transcribe 的自然语言提示提供了一个低成本的控制入口。文章举例要求模型转录医疗讨论，并把 HbA1c、metformin 作为可能术语，同时要求只有在音频支持时才使用这些词，保留标准医学拼写，并按常规书写数字。这样的约束适合先处理格式和上下文问题，也避免把提示词误用成强行覆盖录音内容的词表。
提示不能替代核验。模型支持词级时间戳，能够把转写与录音中的时间位置对应起来，Agora 的课堂演示也将转写与回放并排呈现。但名称、说话人切换和音频问答仍应回听抽查。尤其要区分 Transcribe 文章展示的自然语言指令，与相关流式 ASR 模型卡中的 `target_lang` 语言条件。现有材料并不能证明两者采用相同机制，不能据此假设模型可以通过任意提示稳定注入任意术语。
榜单领先与领域收益，证据各有适用范围
目前披露的基准结果为模型提供了有用的定位，但每个成绩都要放回自己的测试条件。NVIDIA 称，Transcribe 在 Hugging Face Open ASR Leaderboard 的英语轨道上，是开放权重模型中排名第一，平均词错误率为 5.33%。在模型卡的多语言比较中，它在七种语言上的平均 WER 为 4.62%。说话人归属方面，文章称其在 David AI 的 21 语言榜单上错误率最低，并在 VoiceArena 的 14 个系统比较中排名第一。
这些结果说明模型值得进入候选评估集，不意味着生产录音会自动获得相同表现。公开测试集与实际会议的口音、重叠发言、麦克风质量和领域词汇可能不同，WER 也不会告诉团队错误是否集中在剂量、否定词或说话人责任归属上。医疗案例提供了另一种证据：NVIDIA 报告称，在留出的说话人上，微调相较于效果最好的提示词，将 WER 相对降低 45.8%。这是适配能够超过提示的示例，而不是对所有医疗语料的结果承诺。
从提示到微调，真正的交付物是验收流程
Granary v2 与 NeMo Speech 微调工具把适配路径从单次调用延伸到训练数据：开发者可以整理目标语音，再用领域、语言或口音数据调整模型。对团队来说，合理顺序不是一开始就训练，而是先用提示验证输出格式和工作流，再判断剩余错误是否来自稳定的领域差异，最后用独立测试集评估微调收益。NVIDIA 同时称模型可在单张 NVIDIA GPU 上运行，从 DGX Spark 到 Blackwell 数据中心系统均可部署，团队也可选择音频的处理位置。
可执行的判断应落在自己的数据和风险上：先按目标任务抽取真实录音，单独评估转写、翻译、说话人归属和问答，再检查关键错误并测量实际延迟与吞吐。公开材料没有给出足以替代本地验收的统一阈值，也未能在本次背景检索中核实 Granary v2 对应的数据集卡或论文，因此不宜把它的语料构成和质量控制细节想当然地补全。若提示已满足要求，微调可能只增加维护成本；若关键术语或口音持续造成错误，开放数据流程与微调才有明确价值。无论哪条路径，高风险用途都需要保留人工复核。