在人工智能技术飞速发展的今天，大语言模型（LLM）的边界正在不断拓展，从单纯的文本生成延伸至语音处理领域。近日，全球图形处理器（GPU）巨头英伟达（NVIDIA）再次发力，正式发布了其最新的开源语音大模型——Nemotron 3.5 Transcribe。这款模型不仅继承了英伟达在模型架构上的深厚积累，更在多语言转录效率和性能表现上取得了突破性进展。
作为英伟达 Nemo 模型套件中的重要一员，Nemotron 3.5 Transcribe 采用了先进的混合专家模型架构。这种架构允许模型在推理过程中仅激活约 43 亿个参数，而其总参数量达到了 300 亿。这种“小参数、大能力”的设计思路，使得模型在保持高精度的同时，大幅降低了推理所需的计算资源和内存占用，这对于需要在边缘设备或云端进行大规模部署的企业级应用而言，具有极高的实用价值。
在性能方面，Nemotron 3.5 Transcribe 展现出了令人瞩目的竞争力。根据官方公布的数据，该模型在英语 Open ASR（自动语音识别）排行榜上，取得了 4.71% 的平均词错误率（WER）。这一成绩与业界领先的 Whisper 模型不相上下，甚至在某些特定场景下表现更为优异，标志着英伟达在语音识别精度上迈出了坚实的一步。
除了卓越的识别精度，该模型还具备强大的功能扩展性。它支持 40 种语言的转录，这极大地拓宽了其应用场景，使其能够轻松应对全球化背景下的多语言沟通需求。此外，Nemotron 3.5 Transcribe 还内置了说话人标签和单词时间戳功能。这意味着开发者不仅可以获得准确的文本转录，还能清晰地知道每个单词是何时被识别的，以及说话人是谁。这一特性对于会议记录生成、视频字幕制作以及实时语音助手开发等场景至关重要，能够显著提升下游应用的智能化水平。
从行业影响来看，Nemotron 3.5 Transcribe 的开源发布具有里程碑式的意义。长期以来，语音识别领域虽然有不少开源项目，但往往在多语言支持、推理效率或精度上存在取舍。英伟达此次推出的模型，打破了这一僵局，为开发者提供了一个高质量、高性能且易于使用的开源基座。开发者不仅可以直接使用该模型，还可以利用英伟达的 NeMo 框架对其进行微调，以适应特定领域的专业术语或特定口音，从而加速语音 AI 应用的落地。
综上所述，NVIDIA Nemotron 3.5 Transcribe 的发布，不仅丰富了开源语音模型的生态，也为全球开发者提供了构建下一代多语言语音交互系统的有力工具。随着该模型的广泛应用，我们有理由相信，未来的语音识别服务将更加精准、高效且普及，为人们的数字化生活带来更多便利。
参考来源：MarkTechPost
原文链接：https://www.marktechpost.com/2026/10/28/nvidia-nemotron-3-5-transcribe-open-speech-llm/
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/10/28/nvidia-nemotron-3-5-transcribe-open-speech-llm/
封面图片来源：Unsplash / 摄影师 Mariia Berezovsky
