先看证据

支持40种语言，单次音频最长1小时关键事实
总参数34B、激活约4.3B，上下文65,536 tokens关键事实
BF16需1张H100 80GB；NVFP4约21GB，可跑RTX 5090关键事实
英文9个公开集WER 4.71%，次优开放模型4.94%关键事实
英文商业系统OtterAI speech-v3.1为3.88%关键事实
多语言7种语言WER 4.62%，Qwen3-ASR为6.49%关键事实

转写的“正确格式”不再只能预先决定

NVIDIA 于 2026 年 10 月 28 日发布 Nemotron 3.5 Transcribe。这是一款面向语音转写的开放权重语音增强语言模型（SALM），支持 40 种语言和最长一小时的录音，目标是让开发者用同一个模型处理不同转写要求，而不是为每种格式另接一套工具。

改变的焦点在于转写规范。传统系统往往在训练或产品配置阶段就决定是否保留语气词、数字写成什么形式，以及输出要不要带说话人信息；但会议纪要、字幕和逐字稿需要的答案并不相同。Nemotron 3.5 把这些选择转成推理时的文本指令，可要求逐字稿、书面化文本、说话人归属、上下文词汇处理或翻译。它试图解决的不是“所有人都要同一份转写”，而是让一份音频能按用途生成不同文本。

把说话人信息送进生成过程

这套接口背后不是单一的语音识别器。16 kHz 音频先转换为 log-mel 特征，由可训练的 ASR 编码器处理；并行的说话人分离分支则使用冻结的 Sortformer 估计谁在何时说话，再把说话人活动信息每 80 毫秒融入 ASR 特征，最多支持 8 名说话人。这样，后续语言模型生成文本时，已经能看到与语音内容关联的说话人线索。

解码器采用 Nemotron 3.5 Lightning 混合 Mamba–Transformer MoE 骨干。模型卡所列完整检查点约有 34B 参数，其中约 4.3B 为激活参数；名称里的 30B 指语言模型骨干，并不等于整个检查点的参数总量。生成文本之后，CTC 适配器再把文本对齐到音频，提供词级时间戳；MTP 模块则可用于推测解码。换句话说，说话人归属和时间戳虽被纳入一套转写流程，却不是同一个机制：前者参与生成，后者在生成后对齐。

榜单成绩说明了优势，也划出了适用范围

NVIDIA 技术报告给出的英语结果，是 9 个公开测试集平均 WER 4.71%，略低于报告列出的下一名开放权重模型 Qwen3-ASR-1.7B 的 4.94%。多语言 Open ASR 的 7 种语言平均 WER 为 4.62%，同一材料中列出的开放模型对比值为 6.49%。这些数字支持它在开放权重模型中的竞争力，但不是全面领先的证明：报告列出的商业系统在英语榜单上达到 3.88%，多语言对比则为 3.56%。这些是不同榜单任务上的结果，不应混作一个总分。

在长音频和多人场景，报告分别给出 10.98% 的长音频 WER，以及整场多说话人转写 15.80% 的 cpWER，并列出了相应开放模型对比值 13.37% 和 16.83%。另一个更具体的信号来自 ContextASR-Bench：提供实体列表后，命名实体 WER 从 12.21% 降到 2.20%。这说明给出专名线索可能比寄希望于模型凭语言知识猜对更有效，但结果只说明该测试中的实体识别改善，不代表所有领域、词表质量和录音条件都会获得同样收益。上述分数来自 NVIDIA 自报的技术报告，评估落地效果时仍要对照自己的语料和任务。

开放权重不等于轻量部署

模型的活跃参数量容易让人误以为推理门槛很低，但硬件要求并不由这个数字单独决定。材料列出的 BF16 参考部署需要一张 80GB H100；另有 FP8 和约 21GB 的 NVFP4 权重，后者可在 RTX 5090 上运行。可用运行路径包括 vLLM、Hugging Face Transformers、SGLang-Omni 和 GGUF 对应的 NeMo-Speech.cpp。对团队而言，选择不只是“能不能加载模型”，还包括精度、显存、运行时支持和预期吞吐之间的取舍。

性能数字尤其要看清适用条件。NVIDIA 报告称，在 RTX PRO 6000 Blackwell Server Edition、NVFP4 和 DFlash2 等优化配置下，NIM 可处理每秒 2,238 秒音频，30 秒录音的转写返回时间为 0.13 秒；模型卡同时指出，这些服务优化尚未纳入开源推理实现。因而，不能把 NIM 的速度直接当成任何开放运行时都能达到的性能。开放权重给了团队自行部署的可能，但高吞吐服务栈与可复现的本地推理不是同一件事。

先核对音频条件，再决定是否收敛工具链

把 ASR、说话人分离和时间戳处理放进一个模型管线，确实可能减少多系统之间的接口协调；上下文实体列表也提供了一个明确的适配入口。但整合并没有让误差消失：说话人信息先进入生成过程，时间戳由后续适配器对齐，任何一环的错误都可能影响下游使用。若现有流程把识别、对齐和人工校订拆开，也要比较单模型流程是否仍满足各环节的质量要求，而不能只看工具数量是否减少。

中文远场会议尤其不宜只凭“支持 40 种语言”做判断。材料列出的 AliMeeting 普通话远场会议 cpCER 为 34.95%，是明显的风险信号；它与英语和多语言榜单的平均 WER 不是同一指标，不能直接横向换算，却足以提醒团队按自身录音环境单独验收。较稳妥的判断是：如果目标是用指令切换转写风格，并在自己的语料上验证说话人标签、专名和时间戳，Nemotron 3.5 值得进入候选；如果核心场景是中文远场会议，或上线依赖未经开放实现验证的吞吐，先做针对性评测和硬件核算，再考虑替换现有管线。