昨晚，英伟达官宣：开放权重语音模型 Nemotron 3.5 Transcribe 支持 RTX Spark。知乎今早就挂出了提问。对天天被会议录音折磨的人来说，这可能是近一年最值得关注的本地语音模型。财联社知乎
一个模型包办语音活儿
以前本地转写是流水线：Whisper 出字，说话人分离得再装一个模型，要翻译还得再加一个。长录音更惨，B站有人拿 Whisper 做了 90 小时实测，视频标题直接写了结论：「长音频复读、乱编、没标点」。哔哩哔哩
Nemotron 3.5 Transcribe 的思路是一个模型全包：转写、翻译、说话人识别、词级时间戳、音频问答，甚至敏感信息脱敏。最长一次喂 1 小时录音，8 人抢话的场面也能给你出一份「谁说了哪句」的稿子。40 种语言转写、31 种语言和英语互译、13 种语言支持说话人识别，中文全程在列。Hugging Face微博极客404
它总参数 34B，MoE 架构每次只激活约 4.3B，跑起来的开销比个头小得多。许可证 OpenMDW-1.1，可商用。训练用的 Granary-v2 数据集（46 万小时、48 种语言）也一并公开了。Hugging Face微博
跑分是真硬
模型卡数据（10 月 12 日快照）：Open ASR Leaderboard 英文九集平均 WER 4.71，开放权重第一，压过 Qwen3-ASR-1.7B 的 4.94。长音频转写 10.98，对比开源最强的 Parakeet-0.6B 是 13.37；多语言七集平均 4.62，Qwen3-ASR 是 6.49。Hugging Face
最难的多说话人会议转写，四大公开集平均 cpWER 15.80，是所有已发表结果里最低的。Hugging Face
先别急着下，三件事看完再说
一看显卡。官方快速上手写的是一张 H100 80GB 跑 BF16。消费级名单里唯一的 GeForce 是 RTX 5090，且只能跑 NVFP4 量化——FP4 要吃 Blackwell 架构，4090 不在兼容表里。DGX Spark / RTX Spark 倒是三种精度全支持。社区已经有人做了 GGUF 版，但还很新，想省心的等等实测。Hugging Face
二别被刷屏的速度带节奏。官方宣传「每秒转写 2,238 秒音频、30 秒录音 0.13 秒出稿」，那是一张 RTX PRO 6000 Blackwell 上 NIM 优化版的成绩。小字写得很清楚：这些优化还没进开源发行版，开源 vLLM 版预计慢一倍左右。Hugging Face
三中文用户先冷静。语言分档表里，英文是最高档 Leading，中文在最低档 Supported。官方对这一档的注明是「可能需要微调」。跑分上，中文会议集 AISHELL-4、AliMeeting 的 cpCER 是 32.91、34.95，同表英文 AMI 是 10.29——口径不完全可比，但档位差肉眼可见。想拿它转中文会议，别对着英文成绩期待。Hugging Face
还有一点：它是纯离线模型，官方明说不做实时流式。想做直播字幕、实时听记的，它不是你的菜。Hugging Face
真正的主菜其实是 RTX Spark
这次官宣的另一半是硬件：RTX Spark 笔记本已由华硕、戴尔、惠普、联想、微软、微星推出，2599 美元起，最高 128GB 统一内存，FP4 算力最高 1 PFLOPS。还新增了 GPU 资源管理功能，允许在前台应用和后台 AI 智能体之间分配算力。这明摆着是给「本地跑智能体」准备的。Liquid AI 的 LFM3 系列也同步登陆，可本地运行和微调。财联社微博
结论
手里有 5090 或 Spark、主要处理英文内容、多语言会议、长录音转写的，这模型今天就能装。想用 4090 搞中文会议纪要的先按住手：你现有的方案接着用，等社区把 GGUF 和中文微调盘熟，再下也不迟。
