NVIDIA Nemotron 3.5 Transcribe 上手：免费 AI 把录音变成带说话人标注的文字，支持 40 种语言

一句话说清： 就像请了一个不用睡觉的速记员，懂 40 种语言，能写下会上“谁说了什么”，而且免费——条件是你得给它一台像样的 NVIDIA 显卡坐着干活。

先讲两个词，大白话：**开源权重（open-weight）**就是厂商把模型的本体文件免费公开了——谁都能下载、跑起来，包括拿去给客户干活赚钱。转写就是把说话变成文字。说话人标注（也叫 diarization）就是转写稿里标出每句话是谁说的——“说话人 1：”“说话人 2：”，而不是一整堵分不清谁是谁的文字墙。

2026 年 10 月 28 日发布，以 NVIDIA 当天官方博客为准。先说一个实在的门槛：这不是浏览器工具。 发布当天我们没能确认免费网页试用版，跑起来需要 NVIDIA 显卡 + 几条终端命令。如果你没有，跳到文末“没有 NVIDIA 显卡？”一节——赚钱玩法照样成立，只是换个工具。

跟你有什么关系

• 1 小时会议变成可搜索的笔记。 不用把整场会重听一遍，直接在文字稿里搜“决定了什么”。
• 一份录音，四种产出。 同一个文件可以出纯文字稿、英语翻译、带说话人标注的剧本，或者回答“会上做了哪些决定？”——按 NVIDIA 的说法，你用日常语言下指令就行。
• 播客和视频有了字幕和节目笔记。 创作者手里都堆着没字幕的音频，这活儿模型成本是 0 元。
• 隐私在自己手里。 模型跑在你自己的机器上，音频不用上传到厂商的云端。这对你意味着什么：客户的机密会议内容不出你的电脑。

数字怎么看，厂商宣称要标清

• 40 种语言转写；31 种语言与英语互译；13 种语言说话人标注。录音最长 1 小时，最多标注 8 位说话人。
• 总共 300 亿参数，每次干活大约只用 40 亿——可以理解成一个大团队，每句话只派一小队人处理。这就是为什么 NVIDIA 说一台显卡就够跑，从 Jetson AGX Thor、DGX Spark 到 GeForce RTX 5090、数据中心 Blackwell 卡都行。
• 准确率数字是厂商宣称，未独立验证： NVIDIA 说 Transcribe 在 Hugging Face Open ASR 排行榜英语赛道上是开源模型第一（平均词错率 5.33%——大概每 100 个词错 5 个），在 Artificial Analysis 上以 2.8% 并列开源第一。这对你意味着什么：在公开测试集上，厂商自己的数字把它排在免费模型最前面——但在独立测试者复现之前，都先当成厂商说法。
• 只处理录好的音频，不做直播。 NVIDIA 和发布当天的报道都确认了这个限制。

价格：模型 $0

权重在 OpenMDW-1.1 协议下免费下载，允许商用。这对你意味着什么：你给客户做转写收的钱可以全拿，不用分给 NVIDIA。

你要付的是硬件：一块够用的 NVIDIA 显卡（或租 GPU 机器的时间）加电费。发布时有合作方提到托管按量服务，但发布当天我们没能确认托管价格，所以这里不写任何数字——如果你要靠托管接单，先自己去服务商的价格页确认再报价。

5 步跑起来（需要 NVIDIA 显卡）

先说实话：这要用到终端，下载文件以 GB 计。不用会编程——照着项目自己的说明复制命令就行——但比装个 Mac 应用要重。

第 1 步： 确认你有 NVIDIA 显卡。Windows 上打开任务管理器 → 性能 → GPU，看名字里有没有 NVIDIA。没有？跳到文末“没有 NVIDIA 显卡？”。

第 2 步： 打开 NVIDIA 官方公告，顺着它的链接去 Hugging Face 找模型文件（博客链接了模型；研究页列出了检查点版本：BF16、FP8、NVFP4，以及本地运行用的 GGUF 版）。

第 3 步： 选运行器。NVIDIA 点名两个：vLLM（用来部署服务）或 NeMo-Speech.cpp（本地跑）。GGUF 检查点就是给本地、单机运行准备的。

第 4 步： 下载检查点，照着项目 README 里的示例转写命令原样复制运行——不要凭记忆手打。命令报错最常见的两个原因：文件路径写错、显存不够；先试更小的量化版（FP8 或 NVFP4）。

第 5 步： 跑第一个真指令。直接抄 NVIDIA 公告里的原话：

• “Transcribe this recording and label each speaker.”（转写这段录音并标注说话人。）
• “Translate this audio into English.”（把这段音频翻译成英语。）
• “List what decisions were made in this meeting.”（列出会上做了哪些决定。）

你会看到什么：按你给的指令，出来带说话人标注的文字稿、翻译，或一份简短的决定清单。人名和说话人切换处一定要对照录音抽查——NVIDIA 自己也提醒，语音模型在人名和说话人切换上还会出错。

赚钱玩法：会议纪要转写接单

• 客户是谁： 播客主、YouTuber、教练、顾问，以及手里堆着录音却没有纪要的小团队。
• 卖什么： “你的录音我转成干净的、带说话人标注的纪要，附决定和待办，48 小时交。”
• 收多少钱： 自己定个试水价——前 3 个客户先低价（按音频时长收个小额费用），有了样张再涨价。这是让你去市场验证的建议价，不是行情价。你的单均模型成本是 0 元，赚的是你的时间。
• 7 天怎么验证： 第 1–2 天，装好并转写 3 段公开录音（播客节目、公开会议、讲座）当作品样张。第 3–4 天，找 20 位播客主或创作者，每人送一份 5 分钟免费样张。第 5–7 天，转成付费——目标是 1 个付费客户或 5 条意向线索。20 次真诚 outreach 后没人回就放弃：装机只花了你的时间，没花钱。

坑与限制

• 不能实时转写。 先录、后转。客户要实时字幕得换别的工具。
• 显卡门槛。 没有 NVIDIA 卡的 Mac 不是 NVIDIA 公布的支持路线；GGUF + NeMo-Speech.cpp 是本地路线，但 NVIDIA 自己的文档仍默认 NVIDIA 硬件。
• 人名和说话人切换要抽查。 NVIDIA 自己就是这么提醒的。没抽查过的稿子不要直接发给客户。
• 托管价格还没确认。 打算租 GPU 给客户跑的话，先把价格算清楚再报价，别凭空假设一个按分钟价。
• 不同任务支持的语言不一样。 转写 40 种，但翻译和说话人标注分别是 31 种和 13 种。给客户承诺某种语言前，先查模型卡上的任务-语言对照表。

没有 NVIDIA 显卡？这样办

同一个接单玩法，换个适合你机器的工具：本站的 Granite Speech 5.0 指南在 Apple Silicon Mac 上免费跑，Koi 是 $59 的 Mac 应用，听写和会议纪要不用碰终端。想玩 Nemotron 家族“说话”那一面而不是“听”这一面，看本站的 Nemotron Bolt E4B 指南——免费对话模型，几乎任何显卡都能跑。

参考来源

• NVIDIA 官方博客，2026 年 10 月 28 日——“RTX Spark Laptops Gain New Models, Agent Tools and Games”（Transcribe 发布、40 种语言、说话人标注、单卡运行说法）：https://blogs.nvidia.com/blog/local-ai-rtx-spark-laptops-updates-models-agents-games/
• Hugging Face 博客，NVIDIA——“Nemotron 3.5 Transcribe and Granary v2”（任务覆盖、排行榜数字、Granary v2 数据集）：https://huggingface.co/blog/nvidia/nemotron-transcribe-granary
• NVIDIA Research——“NVIDIA Nemotron 3.5 Transcribe”（OpenMDW-1.1 协议、检查点列表 BF16/FP8/NVFP4/GGUF/DFlash2）：https://research.nvidia.com/labs/nemotron/NVIDIA-Nemotron-3.5-Transcribe/
• TechCrunch，2026 年 10 月 28 日——发布报道，确认仅处理录音、不做直播：https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/