NVIDIA 开源 Nemotron 3.5 Transcribe，WER 并列开源第一

NVIDIA 于 10 月 28 日发布开源权重、可提示的语音转录模型 Nemotron 3.5 Transcribe（总参数 30B 的 MoE，激活约 4B），并同步推出配套的 NeMo Speech 开放权重 ASR 模型。两套模型在第三方评测中均取得开源领先成绩，且已可在 vLLM 0.32 上部署，高质量语音转写的使用门槛被显著拉低。

已确认

• NVIDIA 官方（@NVIDIAAI）发布 Nemotron 3.5 Transcribe，将多语言转录、说话人分离、翻译与音频问答整合进单一模型，支持 40 种语言转录、31 种语言与英语互译；权重、数据与训练配方全部开放，已上架 Hugging Face（NVIDIA-Nemotron-3.5-Transcribe-30B-A4B）并提供在线 demo。官方还提到微调可降低 45.8% 词错率。
• Baseten 确认其开放权重特性，并指出模型可在多人同时说话时标注说话人。
• @realmrfakename 补充称该模型完全开源，权重、代码、训练配方、agentic skills 与 Granary-v2 数据集一并放出，由 Nemotron 3.5 Lightning 驱动（此为转述，细节以官方仓库为准）。
• Artificial Analysis 评测显示，该模型在非流式转写上以 2.8% WER 与 Mistral 的模型并列开源第一。
• Artificial Analysis 在 DeepInfra 托管端点实测：速度因子达 75 倍，转录 1 分钟音频不到 1 秒，成本为每 1000 分钟音频 $2.00。
• vLLM 项目方称，NVIDIA NeMo Speech 的开放权重英文 ASR 模型在 Open ASR 排行榜登顶：英文 5.33% WER，多语言在 7 种语言上平均 4.62% WER；架构为音频编码器 + Mamba–Transformer 混合 MoE，vLLM 0.32 已可部署。

为什么重要

• 单一模型覆盖转录、说话人分离、翻译与音频问答，加上开源权重与极低成本（$2/千分钟），显著降低了高质量语音转写的使用门槛。
• 高激活效率的 MoE 设计（30B 总参数仅 4B 激活）带来 75 倍实时速度，展示 MoE 在语音模态上的工程可行性，且 vLLM 原生支持意味着社区可快速自部署。

2026-10-28 ~ 2026-10-28 · 9 条相关

事件全程(共 2 集)→

• 第 1 集:NVIDIA 开源 Nemotron 3.5 Transcribe，WER 并列开源第一(2026-10-28,9 条)
• 第 2 集:vLLM 审核 PR：原生支持 NVIDIA Nemotron-3.5-Transcribe 语音模型(2026-10-28,2 条)

• NVIDIA 开源语音识别模型 Nemotron 3.5 Transcribe 以 2.8% WER 并列开源第一 — ArtificialAnlys · 2026-10-28
• 【源头】NVIDIA Nemotron 3.5 Transcribe 实测:1 分钟音频 1 秒内转完,千分钟仅 $2 — ArtificialAnlys · 2026-10-28
• 【源头】NVIDIA 开源语音模型 Nemotron 3.5 Transcribe:30B MoE 仅 4B 激活参数 — NVIDIAAI · 2026-10-28
• 【源头】NVIDIA 开源 Nemotron 3.5 Transcribe 30B 语音识别模型,微调降低 45.8% 词错率 — NVIDIAAI · 2026-10-28
• NVIDIA 开源发布 Nemotron 3.5 Transcribe 30B 语音转写模型 — coder543 · 2026-10-28
• NVIDIA 开源语音模型刷出 4.62% 多语言 WER,Mamba-Transformer 混合架构 — vllm_project · 2026-10-28
• NVIDIA 发布 Nemotron 3.5 Transcribe:支持 40 语言的开源语音识别模型 — realmrfakename · 2026-10-28

另有 2 条近重复转述:vllm_project · baseten