（媒角抵加／林承志綜合報導）NVIDIA在2026年10月28日推出開放權重語音模型Nemotron 3.5 Transcribe，讓開發者處理最長一小時的錄音，依指令產生逐字稿、辨識說話者或翻譯語音。官方列出40種語言，包含華語；繁體中文字形與台灣口音的實際表現仍待測試。模型用於處理既有錄音，並非即時串流工具。

關鍵資訊

  • 推出內容：Nemotron 3.5 Transcribe開放模型權重，同時提供語音資料集Granary v2。
  • 主要任務：轉錄錄音、區分說話者、輸出時間戳與語音翻譯。
  • 華語支援：官方語言清單包含華語，繁體中文輸出及台灣口音未單獨列出實測結果。
  • 使用條件：可自行部署，也可評估第三方服務；硬體、費用及錄音保存方式依部署環境而異。

一段錄音可依指令輸出不同逐字稿

NVIDIA在研究團隊公告表示，Nemotron 3.5 Transcribe能根據文字指令處理錄音，例如保留口頭語、整理成較易閱讀的文字，或辨識不同說話者；需要時也能輸出詞語對應的時間。模型處理最長一小時的錄音，並非為即時串流辨識設計。

對整理會議的人來說，這代表開發者可以設計不同輸出方式：需要核對訪談原話時保留停頓與重複，製作會議紀錄時則要求省略填充詞。NVIDIA在模型文件也示範先提供人名或專業詞彙，再處理錄音；逐字稿仍可能出現漏字、虛構語句或說話者標記錯誤。

這次發布同時包括語音資料集Granary v2，供開發者處理與調整語音應用。NVIDIA表示，公開資料清單涵蓋48種語言，原始音訊須依各資料集授權另行下載。TechCrunch指出，新模型鎖定會議與醫療逐字稿等應用，處理對象是錄音檔；這些用途仍需要各自驗證辨識結果。

AI生成概念圖，非官方介面或實際轉錄結果；呈現核對人名與用詞的工作。

支援華語與英語互譯，繁中表現仍待測試

NVIDIA的語言支援表將華語列為支援語言，涵蓋轉錄、與英語雙向翻譯、多名說話者辨識及語言切換。官方將華語列在「支援、可能需要微調」的類別，並指出錄音內容理解與推理只以英語評估，其他語言未必可靠。

文件沒有單獨列出繁體中文字形與台灣口音的測試結果。對台灣會議、採訪或客服錄音，姓名、公司名稱、專有名詞及中英夾雜內容都值得逐項核對；NVIDIA也在模型卡提醒，長錄音、多人同時說話及噪音環境可能增加辨識錯誤。

開放權重可自行部署，硬體與資料保存各有條件

NVIDIA將模型權重依OpenMDW 1.1授權釋出，模型卡表示可用於商業或非商業用途，並列全球部署。這提供台灣開發團隊自行下載及部署的選項；是否能在特定雲端服務註冊、使用或付款，仍依服務商提供的地區與方案而定。

模型卡列出約340億個總參數，包含音訊編碼器，每次推論啟用約43億個；NVIDIA提供不同精度版本。官方快速入門示範使用一張80 GB的H100顯示卡，其他版本與硬體組合可查模型卡的整合說明。實際運算成本與速度取決於硬體、版本和部署方式，開放權重不代表所有雲端使用都免費。

自行部署時，錄音如何儲存、誰能存取及何時刪除，由部署團隊的系統設定決定；若交給外部平台處理，則要看該服務的資料保存與使用條款。涉及會議、訪談或醫療內容時，整理逐字稿的人也需要依工作要求處理個人資料與存取權限。

資料來源與更新紀錄

更多報導見AI快訊；作者：林承志。