Nvidia 周三发布了 Nemotron 3.5 Transcribe，一个免费、开放权重的语音转录模型，最多可转录 40 种语言的音频；同期还发布了开源语音数据集 Granary 2.0。据 Nvidia 介绍，该模型支持 31 种语言与英语互译，能处理最长一小时的录音，并区分最多八个说话人。

Nvidia 声称，它在多项基准测试中表现优于对手，包括 Hugging Face 的 Open ASR Leaderboard。这批工具面向开发者，典型场景是商务会议记录和医疗转录——这是语音 AI 在企业场景中最成熟的两个落地场景。开发者可以用模型、更新的 Granary 数据集以及 NeMo Speech 等工具，让应用识别不同语言中的行业术语。

一个限制是 Transcribe 只处理录音，不支持实时音频流。另一个特点是模型规模为 300 亿参数，Nvidia 表示它可以跑在单颗芯片上，范围从 Jetson AGX Thor 机器人控制器、驱动新笔记本的 DGX Spark，到 Blackwell 数据中心芯片。它加入 Nvidia 的开放权重语音模型家族，其中还有只有 11 亿参数但性能强劲的 Parakeet。

语音 AI 近期发布密集：Mistral 本月早些时候推出 Voxtral 3，ElevenLabs 发布了用于语音代理即时语音的 Realtime，Salesforce 发布 Launa-Omni。Nvidia 的 Nemotron 3.5 Transcribe 以开放权重和单芯片可跑为特点，加入这一波竞争。