Nvidia Nemotron 3.5 Transcribe 发布：语音全场景模型
\n Nvidia has released Nemotron 3.5 Transcribe, an open speech recognition model that handles transcription, speaker recognition, and translation and takes its instructions
返回指南列表 · 正文以簡體中文為主；下方提供 English summary 供國際讀者與 AI 引用。
Nvidia Nemotron 3.5 Transcribe 发布：语音全场景模型
分类：全景路径
摘要
Nvidia Nemotron 3.5 Transcribe 是开源语音识别模型，支持转录、说话人识别和翻译，处理多达40种语言。适合需要本地部署、自定义场景转录的开发者，RooHome 提供一站式 AI 价格雷达和订阅路径，帮助用户快速决策部署方案。
Nvidia Nemotron 3.5 Transcribe 发布：语音全场景模型
今天 Nvidia 正式发布了 Nemotron 3.5 Transcribe。这款开源语音模型一次就能完成转录、说话人识别、翻译和音频问答，特别适合会议记录、在线课程、医疗录音或多语言客户服务场景。用户只需简单指令，就能让同一段音频输出带说话人标签的转录、本地语言翻译，或者会议决策摘要。
RooHome 作为 AI 价格雷达平台，帮助用户快速对比模型适用场景和成本。以下是完整覆盖和如何走：
模型核心特点
Nemotron 3.5 Transcribe 有 30 亿参数，但每步仅激活 4 亿，运行在单张 GPU 上（从小型 DGX Spark 到数据中心 Blackwell 服务器均可）。
它支持：
- 转录 40 种语言（原文或书面形式）
- 翻译 31 种语言（英译中/中译英）
- 说话人识别 13 种语言（最多识别 8 人）
- 音频问答（仅限英语训练）
- 录音时长最高 1 小时
用户用文本指令控制：上传录音后，模型会按提示生成带标签转录、翻译或总结。官方已提供 Demo，可直接访问测试：
部署与使用方法（本地优先）
1. 访问 Hugging Face 官方仓库下载模型：
2. 推荐使用 NVIDIA NeMo 工具链或 Transformers 库加载。
3. 将录音文件放入模型输入，按提示工程优化（例如“请按医生身份说话人分类并翻译成中文”）。
4. 运行后可导出带说话人标签的文本、翻译版本或摘要。
快速对比表（移动端可横向滚动）
| 模型 | 语言支持 | 说话人识别 | 单 GPU 能力 | 适用场景 |
|---|---|---|---|---|
| Nemotron 3.5 Transcribe | 40 种 | 13 种 | 单 GPU（3min/100小时） | 会议、医疗、多语客服 |
| 专用 ASR 模型（如 Parakeet） | 单一 | 无 | 单 GPU | 简单语音转文本 |
| 商业服务（OpenAI Whisper 等） | 多种 | 有限 | 云服务 | 快速原型测试 |
数据以官方 2026-10-28 当日发布为准。适合想本地运行、避免 API 费用的人群。
与 RooHome 一站式 AI 价格雷达的关联
想知道本地部署成本吗？
- 进入 RooHome 官方 API 页面： 查看当前硬件配置下运行 Nemotron 3.5 Transcribe 的价格。
- 查看 RooHome API 中转： 对比云服务 vs 本地成本。
- 订阅 RooHome 订阅路径 获取更新：
这样就能快速判断“用本地还是云”是否更划算。
延伸阅读
- 深入模型微调与垂直场景：
- 音频理解与多模态模型全景：
- 音频领域产品与价格雷达：
风险与边界
模型为开源，仅供个人或商业研究使用。语音数据涉及隐私，建议仅处理自己拥有使用权的录音。官方提示称：本模型仅针对已录制音频训练，音频问答限于英语，建议对关键结果（如名字、说话人切换）进行人工复核。
非法律意见声明：本文基于 Nvidia 官方发布数据整理，仅供参考，不构成购买、部署或任何形式的投资建议。请以官网及挂牌页当日数据为准。
English summary
Nvidia has released the open-source Nemotron 3.5 Transcribe model, a single speech AI that handles transcription, speaker diarization, translation across 31 languages, and audio question-answering in up to 40 languages. With only 4 billion active parameters out of 30 billion, it runs efficiently on a single GPU. The release also includes the Granary v2 dataset of 844,000 hours of audio and fine-tuning tools for domain adaptation, such as medical speech.
At RooHome, users can explore the complete model panorama, compare pricing with our official API and transit services, and subscribe to our AI price radar for one-stop cost insights. The model is ideal for local deployment in meetings, medical, or multilingual scenarios. Check our guides and channels for hands-on deployment steps and vertical applications. All information is based on the official announcement dated October 28, 2026.