英伟达新模型Nemotron 3.5：8人同时说话也能精准转写

英伟达最近又放了个大招——开源了全新的语音转写模型Nemotron 3.5 Transcribe。这个模型瞄准的是专业语音处理场景，在多语言转写准确率、长音频处理和多说话人分离这些核心指标上，都拿出了行业领先的水平。

架构与性能：MoE加持，效率与能力兼得

模型采用了混合专家（MoE）架构，总参数约340亿，但每次前向传播只激活43亿参数。这样一来，推理能力足够强，运行效率也没落下。音频处理方面，它单次就能处理长达1小时的连续录音文件，像会议记录、访谈节目这类长音频的转写需求，基本可以轻松应对。

多语言与说话人分离：全球适用，嘈杂场景也不怕

在多语言支持上，Nemotron 3.5 Transcribe覆盖了多达40种语言的准确语音转写，其中31种还能和英语进行双向翻译。跨境沟通、多语言内容处理这些场景，一下子就有了更趁手的工具。更值得一提的是，它针对多人对话这个语音识别里的老难题做了优化——最多能同时区分8个不同的说话人，并实时完成说话人归属。想象一下，8个人七嘴八舌的场景，它也能理出头绪。

基准测试：成绩单相当漂亮

在权威评测中，这个模型的表现也很抢眼。Open ASR英语评测里，它的平均词错误率（WER）低至5.33%，在同类开源模型中排名第一。而在Artificial Analysis的非流式测试中，词错误率更是降到了2.8%，并列开源排行榜首位。

关键点

• 开源模型：英伟达Nemotron 3.5 Transcribe，面向专业语音处理。
• 高效架构：MoE设计，总参数340亿，激活参数43亿。
• 长音频支持：单次处理1小时录音。
• 多语言能力：40种语言转写，31种与英语互译。
• 说话人分离：最多区分8个说话人，实时归属。
• 基准表现：Open ASR词错误率5.33%排名第一；Artificial Analysis词错误率2.8%并列第一。

总的来说，Nemotron 3.5 Transcribe凭借大参数规模、出色的抗干扰分离能力和多语言表现，为全球开发者和语音技术生态提供了一个强大的新基础。