NVIDIA Nemotron 3.5 Transcribe与Granary v2：可提示、可适配的智能多语言转写

英文原标题：NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，一个 checkpoint 同时支持转录、说话人分离、翻译和音频问答，可通过自然语言提示控制输出。
• 模型支持 40 种语言转录、31 种语言与英语互译、13 种语言说话人分离，可处理长达一小时的录音并标记最多 8 位说话人。
• 在 Hugging Face Open ASR Leaderboard 英语开放权重模型中排名第一，平均 WER 为 5.33%；在 Artificial Analysis 的 AA-WER 指标上以 2.8% 并列开放权重模型第一，活跃参数约 4B。
• 在说话人分离方面，于 David AI 21 语言基准上取得最低 DER 18.26%，在 VoiceArena 14 系统比较中 cpWER 最低（32.4%），且删除词比例仅 8.32%。
• 同步开源 Granary v2 多语言数据与整理流程，并提供 NeMo Speech 微调工具；医疗案例中微调后 WER 相对最佳提示降低 45.8%。

关键数据

• 英语平均 WER 5.33%
• 多语言平均 WER 4.62%（7 种语言）
• 长音频平均 WER 10.98%
• AA-WER 2.8%，活跃参数约 4B（总参数 30B）
• AA-AgentTalk 上 WER 1.8%
• David AI 21 语言 DER 18.26%
• VoiceArena cpWER 32.4%，删除词比例 8.32%
• 医疗微调后 WER 相对最佳提示降低 45.8%

引语

• Transcribe this recording and label each speaker.
• Translate this audio into English.
• What decisions were made in this meeting?

为什么值得看：该模型以单一开源权重 checkpoint 整合转录、说话人分离、翻译和音频问答，并在多个基准领先，同时提供数据与微调工具，便于企业按领域适配。