NVIDIA 发布 Nemotron 3.5 Transcribe 支持指令驱动转录
作者：▲ Marktechpost AI (@Marktechpost)原标题：▲ NVIDIA just released Nemotron 3.5 Transcribe, a single speech LLM that writes transcripts the way ...
78AI 研判分
NVIDIA 推出 Nemotron 3.5 Transcribe，这是一款基于混合 Mamba-Transformer MoE 架构的语音大模型。它通过冻结的说话人分离模块与 ASR 编码器结合，允许用户通过文本指令控制转录格式（如逐字、书面化或翻译）。该模型在英文基准测试中表现优于 Qwen3-ASR，但仅限离线使用且中文远场会议识别率仍有提升空间。
报道正文
▲ Marktechpost AI · 2026-10-29 04
▲ NVIDIA 刚刚发布了 Nemotron 3.5 Transcribe，这是一款单一的语音 LLM，能够按照你的要求生成转录文本。
其核心理念是“指令驱动转录”。一个冻结的说话人分离模块（diarizer）将“谁在何时发言”的信息输入 ASR 编码器，随后由混合 Mamba-Transformer MoE LLM 生成输出。只需一条文本指令，即可选择逐字转录、书面化整理、上下文术语优化、说话人标签或翻译功能，并支持按需添加单词级时间戳。
在 9 个公开英语 Open ASR 数据集上，其平均词错误率（WER）为 4.71%，优于 Qwen3-ASR-1.7B 的 4.94%。多语言场景下，其 WER 为 4.62%，而对比模型为 6.49%。不过这也是一种权衡：它仅支持离线运行，商业 API 仍然领先（OtterAI 为 3.88%），且在普通话远场会议场景中，字符拼音错误率（cpCER）高达 34.95%。
该模型总参数量为 34B，激活参数约 4.3B，支持 40 种语言，音频时长可达 1 小时。BF16 精度可在单张 H100 上运行；NVFP4 精度则适配 RTX 5090。采用 OpenMDW-1.1 许可证……
完整分析：
