NVIDIA 开源了「转写+说话人分离+翻译」三合一模型：30B 参数，单卡跑，API 价格约 0.12 美元一小时音频

转写这件事以前要拼三件套：ASR 模型管文字、diarization 模型管谁在说话、再接一个翻译模型。NVIDIA 10 月 28 日发布的 Nemotron 3.5 Transcribe 把这些塞进了一个开源模型，用提示词切换输出。

数字

• 30B 总参数、约 4B 激活（MoE + Mamba-Transformer 混合架构），单张 NVIDIA 卡就能跑，从 Jetson AGX Thor、DGX Spark 到 Blackwell 服务器都支持
• 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注；单次处理最长 1 小时录音、最多 8 个说话人，可输出词级时间戳
• 英文 Open ASR 榜开源权重第一（官方研究页口径 4.71% 平均词错率），多语言榜 4.62%，长音频 10.98%
• 上下文转写：给一份领域词表（产品名、人名、术语），命名实体错误降到原来的 1/6
• 推理速度：RTX PRO 6000 单卡用 NVFP4 加速，每秒能转 2238 秒音频——100 小时的录音 3 分钟内出稿
• API 替代价：DeepInfra 托管 0.000033 美元/秒，折合约 0.12 美元/小时音频
• 许可证 OpenMDW 1.1，权重在 Hugging Face（BF16 / FP8 / NVFP4 / GGUF 四种），配套微调工具包

对你有什么用

三个字：按量付费的转写账单可以重算一遍了。视频字幕、播客转稿、客户会议纪要、播客出图文——这些活儿以前要么付 API 按分钟计费，要么忍受 whisper 的说话人混乱。现在 0.12 美元一小时的价格，10 小时的素材不到 1.2 美元；量大或音频敏感（客户访谈、内部会议不出本机）就自托管，权重免费。

提示词控风格是真正省事的点：同一段录音，要逐字稿就写 verbatim，要会议纪要就让它只输出决策项，要字幕就让它写成短句+时间戳——不用再写后处理脚本。

泼冷水

• 只吃录音，不吃实时流。 直播字幕、实时同传场景用不了它，官方明说为录制音频设计。
• 基准集中在英文和主流欧洲语言。 小语种、重口音素材先拿自己的音频测，别信榜。
• 名字和说话人切换仍要抽查。 任何 ASR 模型在人名、术语上都会错，NVIDIA 自己也建议对着录音 spot-check；医疗案例里微调前 WER 高达 22%–30%，通用场景没问题，垂直领域要喂微调。
• 本地跑要显存。 4B 激活不等于 4GB 显存，30B 权重加载还是要看 GGUF 量化版的实际占用。

具体建议

1. 量小（每月几小时）：直接 DeepInfra 或 OpenRouter 调 nvidia/nemotron-3.5-transcribe，先把账单从按分钟换成 0.12 美元/小时。
2. 量大或涉隐私：下载 GGUF 版本地跑，成本只剩电费；先拿 5 段真实素材测词错率再切。
3. 有垂直词表的（法律、医疗、产品名）：把词表写进提示词，这一步的收益比换模型大——错误率能降 6 倍。

原文：https://research.nvidia.com/labs/nemotron/NVIDIA-Nemotron-3.5-Transcribe