NVIDIA：开源 Nemotron 3.5 Transcribe，40 语转录 + 说话人标注，AA 开源 STT 并列第一
NVIDIA 10 月 28 日开源 Nemotron 3.5 Transcribe（约 30B / 4B 激活）：可提示的多语语音转写，覆盖 40 语转录、31 语英↔双向翻译、13 语说话人归因（最多 8 人、最长约 1 小时录音）。HF Open ASR 英语开源第一（约 5.33% WER），Artificial Analysis 开源侧 AA-WER 2.8% 并列第一；同期放出 Granary v2 数据管线。
Hugging Face 上的 NVIDIA 博客（2026-10-28）写明：Nemotron 3.5 Transcribe 是开源权重、可用自然语言提示的语音模型，把转录、说话人归因（diarization）、翻译与音频问答收进同一检查点；支持 40 种语言转录，其中 31 种可与英语互译，13 种可标说话人，最长约 1 小时录音、最多 8 人。权重已上 Hugging Face 与 ModelScope，可用 vLLM 部署或 NeMo-Speech.cpp 本地跑；Baseten / DeepInfra / Simplismart 提供托管端点。面向已录制音频，非实时流式。
榜单：HF Open ASR Leaderboard 英语开源第一，平均 WER 约 5.33%；多语与长音频对比中亦居开源最低档。Artificial Analysis 语音榜上以约 2.8% AA-WER 与另一开源模型并列第一，但仅约 4B 激活参数（总约 30B，混合 Mamba–Transformer MoE），AA-AgentTalk 子集约 1.8% WER。David AI 21 语 diarization 上 DER 约 18.26% 最低；VoiceArena 14 系统对比中 cpWER 领先。单卡可跑（Jetson AGX Thor / DGX Spark 到 Blackwell）；RTX PRO 6000 Blackwell NVFP4 上宣称 100 小时音频约 3 分钟内跑完（高并发 30 秒片段）。
配套 Granary v2：公开清单约 46.3 万小时、48 语、16 个源语料，含三种转写形态与任务标签；医疗案例称相对最佳提示，微调后留出说话人 WER 相对降约 45.8%。TechCrunch 同日报道亦强调会议与医疗转写场景，并点名当月 Mistral Voxtral 3 等语音产品密集上新。
