简介：ASR 开源阵营再添重锤
NVIDIA 在 Hugging Face 发布并开源了 Nemotron 3.5 Transcribe 与配套的 Granary v2 工具链，主打通过 Prompt 自定义与调适的多语言语音转文字。权重、训练工具链全部开放，支持本地微调，可部署在边缘设备和云端环境。
核心功能：把转写规则写进 Prompt
传统 ASR 模型的输出风格是"焊死"的——专有名词怎么写、数字用什么格式、要不要保留语气词，都改不了。Transcribe 的最大变化是Prompt 可控：
- 直接在 Prompt 里定义转写规则："专有名词用官方中文名"、"保留'嗯、啊'等语气词"、"金额用阿拉伯数字"；
- 注入专业术语表：医疗、法律、金融的行话不再被转成同音错字；
- 多语言混合场景：中英夹杂的会议录音，语义还原度明显提升。
这对做会议纪要、客服质检、访谈整理的团队是实打实的效率提升——以前要靠后处理脚本清洗的规则，现在一句话写进 Prompt。
Granary v2：被低估的另一半
单独的模型开源很多见，配套工具链开源才是重点。Granary v2 提供了数据准备、微调、评测的完整流程。这意味着你可以：
- 用自己领域的录音数据（比如方言客服电话）做定向微调；
- 复现官方评测结果，而非盲信跑分；
- 在离线环境完整部署——数据不出内网。
对比来看，讯飞上周发布的 SparkAudio 1.0 走的是"全国产算力+产品矩阵"路线，主打同传与硬件落地；NVIDIA 这套则是"全开源+自托管"路线，两条路线的取舍很清晰。
部署建议
- 个人/小团队：直接拉权重本地跑，配合 Granary v2 的推理脚本即可，消费级 GPU 可用；
- 企业私有化：重点投入在术语表和 Prompt 规则的沉淀上，这块带来的准确率提升往往大于换模型本身；
- 边缘场景：官方支持边缘部署，工业质检、车载录音等离线场景适配成本低。
优点与不足
优点：Prompt 可控转写规则是产品级创新；权重+工具链+微调配方全开源；多语言能力强；NVIDIA 官方维护，长期更新有保障。
不足：说话人分离等周边能力需自行组合；Prompt 规则需要针对业务反复调试；中文场景与国产专精模型相比仍需实测验证。
适合谁与总结
适合需要私有化 ASR 的企业、做垂直领域语音产品的团队、以及边缘离线转写场景。如果只是偶尔转写会议录音，云端服务更省事；如果要做产品或数据敏感，这套开源组合是当前最完整的起点之一。
总结：Transcribe 把 ASR 从"黑盒输出"变成"可编程输出"，配合 Granary v2 的全链路开源，大幅降低了定制语音转写的门槛。同声传译方向可以继续关注 腾讯 Hy-SimulMT 同传模型，两者组合基本覆盖了语音处理的主流需求。