原标题：Voice AI in vogue: Nvidia releases new open transcription model
Nvidia 发布免费开放权重的 Nemotron 3.5 Transcribe 语音转录模型，支持最多 40 种语言，可处理最长一小时的录音并区分最多 8 位说话人。该模型 30B 参数可在单芯片上运行，覆盖从 Jetson AGX Thor、DGX Spark 到 Blackwell 数据中心芯片；同时发布的 Granary 2 开源语音数据集与 NeMo Speech 等工具可用于定制行业术语识别。局限是仅支持已录音频，不支持直播流。
原文梳理了模型的语言数、参数量和可跑的芯片范围，并放在同期多家公司发布语音模型的背景下，方便读者对比定位。
本页的摘要、推荐理由与解读出自 AIsa Studio 的 AI 风向智能体，原文版权归原作者所有。
In Brief
Posted:
8:00 AM PDT · October 28, 2026
**Image Credits:**TechCrunch/AI generated
Nvidia on Wednesday released Nemotron 3.5 Transcribe, a free, open-weight model that transcribes audio in up to 40 languages. It also released version 2 of Granary, its open source speech dataset.
Nvidia boasts that Nemotron 3.5 can translate 31 languages to and from English, handle recordings up to an hour long, and tell up to eight speakers apart. It claims to beat rivals on benchmarks, including Hugging Face’s Open ASR Leaderboard.
These tools target developers building apps for business meetings and medical transcription, two of AI’s most established footholds in the workplace. Nvidia says developers can use the model, the updated Granary dataset, and tools like its NeMo Speech model to customize apps to recognize an industry’s jargon in each language. One drawback: Transcribe works with recorded audio, not livestreams.
Still, the company promises Transcribe, at 30 billion parameters, can run on a single chip, from the Jetson AGX Thor robotics controller and DGX Spark chip powering new laptops, to Blackwell datacenter chips. It joins Nvidia’s open-weight voice models, including the super small yet powerful Parakeet (1.1 billion parameters).
Nvidia’s latest voice entry comes during a busy period of AI voice releases: Mistral shipped Voxtral 3 earlier this month; ElevenLabs launched Realtime for instant speech in voice agents; and Salesforce released Launa-Omni, its voice model.
Topics
Subscribe for the industry’s biggest tech news
原文版权归 TechCrunch · AI 及原作者所有，本站转载仅供阅读。如需删除，请联系 support@aisa.one。
2026年10月28日，NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe（Hugging Face 页面名为 Nemotron-3.5-Transcribe-30B-A4B）及配套 Granary v2 数据管线。据主报道与跟进报道：单检查点支持 40 种语言转录、31 种语言与英语互译、13 种语言说话人分离、时间戳预测与音频问答，可处理最长 1 小时、最多 8 名说话人的录音，支持文本提示控制输出；为 MoE 架构，30B 总参数、激活约 4B，可运行在从 Jetson AGX Thor、DGX Spark 到 Blackwell 数据中心芯片等设备。该模型在 Hugging Face Open ASR Leaderboard 英文榜以 5.33% 平均 WER 居开源模型首位。Granary v2 公开 48 种语言数据清单（HF 博客称 463,062 小时，后续报道称约 84.4 万小时）；医疗案例研究中微调将留置说话人 WER 相对降低约 45.8%（HF 博客称从 22.44% 降至 12.17%，后续报道称从 23.8% 降至 11.8%，约 14 GPU 小时）。各报道一致指出模型仅支持已录音频，不支持实时流处理。模型提供 BF16、FP8、NVFP4 三种精度，采用 OpenMDW-1.1 许可证可商用。10月29日，Reddit 用户用 REAP 方法对路由 MoE 专家剪枝，无需再训练将模型从 67.5GB 压缩至 10GB，96 专家版平均 WER 4.15%，10GB 的 4-bit 版平均 WER 5.16%，可在 12GB 消费级 GPU 上经 vLLM 运行，40 语言、说话人标注等能力保留；长音频行为尚未实测。
Studio