NVIDIA 开源 Nemotron 3.5 Transcribe：可提示多语转写+说话人归因+翻译+音频问答；同步开源 Granary v2 数据管线

这件事意味着什么

【要点】

NVIDIA 于 2026-10-28 公开 Nemotron 3.5 Transcribe：开源权重、可提示的多语语音理解模型，把转写、说话人归因、翻译与音频问答收进同一 checkpoint。同步开源 Granary v2 数据管线与 NeMo Speech 微调配方。面向录制音频（非实时流式）；格式含 BF16/FP8/NVFP4，可跑 RTX/DGX Spark、Jetson AGX Thor。

【可核验】

- NVIDIA 博客（RTX Spark 更新帖内宣布）：https://blogs.nvidia.com/blog/local-ai-rtx-spark-laptops-updates-models-agents-games/（RSS pubDate 2026-10-28T15:00:46Z）

- Hugging Face 技术博文：https://huggingface.co/blog/nvidia/nemotron-transcribe-granary/（Published October 28, 2026）

- 模型卡：https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B

- 厂商/榜单自述（须标注来源，非本站实测）：转写约 40 种语言，其中约 31 种可与英语互译；说话人归因内置（Sortformer cues）。Hugging Face Open ASR（英语、开源权重轨）约 5.33% 平均 WER；Artificial Analysis STT 开源侧约 2.8% AA-WER、约 4B active params；David AI 21 语 diarization DER ~18.26%；VoiceArena 14 系统 cpWER 领先。医疗案例称相对最佳 prompt 相对 WER 降约 45.8%。

- 站内相关对照：e/1051 Nemotron Bolt E4B（非本条）；e/776 Microsoft MAI-Transcribe。

【我们的判断】

一、背景：语音栈正从「专用 ASR + 后处理 diarize/MT」走向「单模型、自然语言指令」的多任务接口。OpenAI Whisper 系、Microsoft MAI-Transcribe、Mistral Voxtral 3 与各类云 API 已占位；NVIDIA 用 Nemotron 语音线 + 开源数据（Granary v2）补「可本地、可微调、可提示」一侧，并与同日 RTX Spark 端侧叙事绑定。

二、横向：(1) 通用 ASR（Whisper/云 API）强转写、弱统一 diarize+翻译+QA；(2) MAI-Transcribe 偏流式/产品栈；(3) Voxtral 3 走 Mistral 音频全家桶。Transcribe 在开源榜（HF Open ASR / AA / David AI / VoiceArena）数字好看，但均为厂商引用或公开榜切片，跨榜不可直接合成「全面第一」；活跃参数约 4B 相对若干更大开源 ASR 更省算力，适合 Spark/边缘叙事。

三、影响：开源多语会议/医疗/课堂流水线可少拼多模型；与本地 agent 叠用时，录音→结构化文本门槛下降。Granary v2 + NeMo 微调把「提示级控制」延伸到训练，垂直词表（医学等）有案例支撑。短期仍受：非流式、量化/本地工具链仍在推进、厂商 demo 与独立复现可能有差距。本条只收 Transcribe+Granary 模型发布，不写同帖笔记本营销。