英伟达免费语音转写模型：录音自动出文字，芯片才是生意

英伟达周三发布 Nemotron 3.5 Transcribe，一个免费、开放权重的语音转写模型。

支持最多 40 种语言，能处理一小时以内的录音，区分最多八位说话人。还能在 31 种语言和英语之间做双向翻译。

Transcribe 有 300 亿参数，单个芯片就能跑。Jetson AGX Thor 机器人控制器、驱动新款笔记本的 DGX Spark、Blackwell 数据中心芯片，都带得动。

同天发布的还有开源语音数据集 Granary 2.0。开发者可以把模型、Granary 2.0 和 NeMo Speech 等工具组合起来，让应用识别每种语言里的行业术语。这套组合瞄准商务会议和医疗转录——AI 在工作场所最成熟的两个方向。

会议录音自动出文字、分好说话人；问诊对话直接变文本，省掉人工听写。跨国团队也能靠多语言翻译，直接读懂彼此的会议内容。模型和数据都开放，针对特定行业的转录应用做起来容易不少。

英伟达称它在基准测试里击败了竞争对手，包括 Hugging Face 的 Open ASR 排行榜。注意，这是厂商自己的说法，真实场景的准确率还没人独立验证过。

限制也很清楚：Transcribe 只吃录制好的音频，不支持实时流。想边开会边出字幕，得等后续版本。

发布时间正赶上 AI 语音密集出牌。Mistral 本月初推出 Voxtral 3；ElevenLabs 上线 Realtime，让语音代理即时出声；Salesforce 发布自己的语音模型 Launa-Omni。英伟达的 Transcribe 加入自家开放权重语音家族。旁边还有 11 亿参数的 Parakeet，参数小，但能力不弱。各家侧重点不同，选择变多，迭代可能更快。

模型开放权重，能在笔记本、机器人控制器这类单芯片设备上跑。转录数据不一定要上传云端，隐私和响应速度都可能受益。模型免费，跑模型的芯片是英伟达的——开发者用得多，硬件就卖得多。