英伟达最近发布 Nemotron 3.5 Transcribe。一句话概括它的卖点：一个模型，40 种语言，转写、翻译、说话人标注三件事一起做，单次可处理长达一小时的录音。
语音转写这个赛道看起来已经很拥挤，但真正的痛点一直没解决——多语言会议里语言是混着说的，中途换人也不打招呼。绝大多数方案靠拼接：先做语种识别，再路由到对应模型，再跑一个说话人分离模型，最后合并时间轴。每拼一次，误差就叠一层。
一、简介：单模型做多任务是关键差异
Nemotron 3.5 Transcribe 的思路是把这些子任务统一到一个模型里。它在多语言 Open ASR 榜单上的平均词错误率为 4.62%，这个数字单独看不算惊艳，但要注意它是跨 40 种语言的平均值——小语种不再被当作附赠品。
官方同时公开了模型权重和微调工具，这一点对国内团队很重要：可以拿来做行业术语微调，而不必从零训练。
二、核心功能：四个实用细节
1. 长音频一次处理
支持最长一小时的录音。医疗问诊、访谈、庭审、讲座这类场景，过去要先切段再拼时间轴，切点附近最容易丢字。一次处理省掉了这个环节。
2. 提示词控制输出风格
想保留原话（包括语气词、口误），还是整理成易读笔录，可以用提示词指定。这个设计比“固定输出格式”实用得多——同一段录音，法务要逐字稿，运营要摘要，一次转写能出两种结果。
3. 说话人标注
多人对话自动区分说话人。会议纪要真正的价值不在文字，而在“谁说了什么”。这块做不好，转写稿基本没法直接用。
4. 转写加翻译一体
跨语言会议可以直接输出译文。和专门的同传模型比，它的时延不占优势，但准确率和可编辑性更好，适合会后整理而不是现场同传。现场场景仍建议看 腾讯天籁同传 这类端到端方案。
三、详细分析：4.62% 这个数字该怎么读
首先，词错误率（WER）是平均口径，不同语种差异极大。中文的 WER 和英文不可直接比较，因为分词粒度不同。所以看到“平均 4.62%”要追问三件事：各语种分布如何、测试集是什么领域、有没有背景噪声。
其次，真实业务的 WER 通常比榜单高 3 到 5 个百分点。原因很朴素：会议室有回声、多人抢话、专有名词密集。这就是为什么微调工具比模型本身更值钱——把你们公司 200 个产品名加进去微调，比换一个更强的通用模型效果更明显。
第三，说话人分离的准确率高度依赖音频质量。单麦克风远场录音，两个人声音接近时，分离错误率会陡增。工程上更可靠的做法是每人一个近场麦克风，或者用会议设备的波束成形输出。
放到行业里看，2026 年的语音转写竞争已经从“能不能听清”转向“能不能直接用”。这条路径和 AI翻译工具选型指南 里提到的判断一致：决定落地效果的往往不是模型分数，而是后处理链路。
四、成本与部署建议
英伟达的策略一贯是“权重免费、算力收费”，模型越多人用，GPU 需求越大。对企业的实际选择是：
- 数据敏感（医疗、金融、法务）→ 本地部署，用微调版
- 偶发大批量 → 云端按量，注意长音频的计费是按分钟还是按小时
- 实时字幕需求 → 不要用转写模型硬撑，选流式方案
五、优缺点
- 优点：40 语种单模型覆盖，小语种表现不再是短板；转写/翻译/说话人标注一体，链路短误差少；权重与微调工具开放，可做行业适配；一小时长音频一次处理。
- 不足：实时性不足，不适合现场同传；平均 WER 掩盖语种差异，选型前必须自测；说话人分离在远场多说话人场景仍不稳；本地部署对显存要求不低。
六、适合人群与总结
适合跨国团队会议记录、媒体采访整理、播客逐字稿、以及需要多语种客服质检的企业。个人用户如果只是偶尔转一段录音，用现成 App 更划算。
一句话总结：Nemotron 3.5 Transcribe 的价值不在“又多支持几种语言”，而在把原本要靠四个模型拼起来的链路压成一个。链路越短，出错的地方越少。更多翻译与语音工具见 AI翻译 分类。