NVIDIA 开放 Nemotron 3.5 Transcribe：一个模型做 40 种语言转写、翻译、说话人标注和音频问答，Open ASR 英文榜开放权重第一
转写、分说话人、翻译原本要拼好几个模型，现在一个开放权重模型加提示词就能做，还附带了可复用的训练数据管线。
// 要点
- 权重已在 Hugging Face 和 ModelScope 上线：转写 40 种语言，31 种可与英文互译，13 种支持说话人标注；单段录音最长 1 小时、最多 8 位说话人；可用自然语言提示控制输出，支持词级时间戳。
- Hugging Face Open ASR 英文榜平均 WER 5.33%，开放权重模型第一；7 种语言多语种平均 WER 4.62%；Artificial Analysis 上 AA-WER 2.8%，与另一开放模型并列第一，激活参数约 4B（总 30B），对方为 24B。
- 同时发布 Granary v2 多语种数据与清洗管线；医疗案例中微调使未见说话人的 WER 比最佳提示再降 45.8%（相对值）。各任务支持的语言不同，音频问答只用英文训练；量化版即将推出。
开发者视角智能面试现在是 ASR 加单独的说话人分离拼起来的，一个模型同时给出说话人标签和词级时间戳，能省掉一整段对齐代码。但榜单成绩是英文的：先查模型卡上中文在哪些任务里受支持，再拿我们自己录的中文面试跑一遍，同时确认许可证，再决定要不要换。