# Nvidia 发布开放语音模型 Nemotron 3.5 Transcribe，整合转录、翻译与说话人识别

> 原标题：Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition

- 来源：The Decoder
- 发布时间：2026-10-28T15:49:39.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/tx3rrzkxn080spbdgjk4domdz
- 原文：https://the-decoder.com/nvidias-open-nemotron-3-5-transcribe-combines-transcription-translation-and-speaker-recognition/

## 摘要

Nvidia 发布开放语音模型 Nemotron 3.5 Transcribe，通过文本指令整合转录、翻译、说话人识别及音频问答。

## 推荐理由

Nvidia 用以合成语音为主的数据微调医疗转录模型，将错误率从 23.8% 降至 11.8%，同时记录了通用英语准确率的损失。

## 锐评

300 亿参数里只激活 40 亿，这个账算得很漂亮。错误率 2.81% 咬死 Voxtral Small 的 2.77%，激活参数却只有后者的六分之一左右，单卡跑 100 小时音频只要不到三分钟。以前要把转录和说话人识别拆成两套模型分别跑，现在全塞进一张卡，推理成本被砍掉大半。Nvidia 这套 MoE 方案很实在，至少在长音频离线处理这块，我认它的性价比。