Nvidia 週三（28 日）推出 Nemotron 3.5 Transcribe，一個免費、開放權重（open-weight）嘅多語言語音轉文字（speech-to-text）模型，同時放出一套數據集同工具俾開發者微調。呢個係一個混合專家（mixture-of-experts, MoE）架構：總參數 300 億，每次推理活躍嘅係 40 億，所以能夠喺單塊 GPU 上運行。
同傳統轉寫流程要逐步「偵測語音 → 轉寫 → 標記講者 → 答問」唔同，Transcribe 喺單次模型 pass 做晒全套。Nvidia 表示佢可消化並答問長達 100 小時嘅音頻，支援 40 種語言，同英文互譯可覆蓋 31 種語言，並能標記最多 8 個講者。
硬件上，Nvidia 稱佢由邊緣到數據中心都跑得動：單塊 GPU 就夠，由 Jetson AGX Thor（機械人邊緣計算）、DGX Spark（桌面級 AI 超級電腦）一直到大規模部署嘅 Blackwell 數據中心晶片。佢話，塊 Blackwell Server Edition GPU 用 NVFP4 精度加四分之一（one-quarter）模型壓縮，可以喺唔到三分鐘處理 100 小時音頻。
準確度方面，Nvidia 自報嘅數字係：模型出廠即有（out of the box）字錯率（word error rate, WER）30.8%，用妥當 prompt 可拉低到 20.8%；若喺特定領域微調，喺 Eka Care 印度醫療語音基準上 WER 跌至 11.8%。Nvidia 亦話佢喺 Hugging Face Open ASR Leaderboard 上勝過對手。
同一輪，Nvidia 亦放出 Granary v2——佢嘅多語言公開語音數據集。公用 manifest 覆蓋 463,062 小時、48 種語言、16 個語料庫，較 v1 嘅 25 種語言有大幅擴充。Nvidia 特別註明：呢組數字描述嘅係數據集發布，唔係 Transcribe 嘅完整訓練混合或取樣權重。Granary v2 為每段錄音生成三種「verbatim」轉寫風格：保留「嗯」「啊」等口頭禪嘅全記錄、將數字轉成符號嘅精簡版、以及去除填充詞嘅清理版，可透過 prompt 向 Transcribe 索取。
模型已有 Hugging Face demo，開發者可下載 checkpoint，再用 Granary 數據同 NeMo Speech 等工具針對行業術語微調。目標應用很直接：商務會議同醫療轉寫。
最大限制：只食錄音，唔聽直播。 Transcribe 處理嘅係錄好嘅音頻檔，唔支援即時語音流。對需要即時跟住講嘅應用（例如實時會議字幕），呢個模型唔夠用。
阿調搞兩下：呢個發布最實際嘅嘢，唔係「40 種語言」呢個大數，而係佢敢放開放權重、又敢放數據集、又敢放微調 pipeline。開發者唔使俾月費、唔使問金主許可，直接落手改。但兩樣要睇清楚：一、呢度冇任何本站實測，所有 WER 同速度數字都係 Nvidia 自報；二、佢唔識跟直播，呢條線對「即時」應用係硬傷。開放權重唔等於完整開源，下載到 checkpoint 同「完全開源」係兩回事，授權細節要自己核。
阿調｜深度調教
