这周的科技圈，一边在讨论英伟达一夜蒸发1.4万亿市值，另一边老黄悄干了件实事：把语音模型 Nemotron 3.5 Transcribe 开源了。10月28日放出的权重，许可是 OpenMDW-1.1，免费下载、商用可行。知乎知乎
媒体标题齐刷“最强开源转写”。翻完官方模型卡和实测复盘，结论先说：强是真的强，但“最强”有水分，而且——你的显卡大概率跑不动。
它强在哪
传统语音转文字是“听写”，这玩意是全家桶：转写（40种语言）、31种语言与英语互译、分辨谁在说话（说话人分离），还能做音频问答、PII脱敏，一个模型全包还自带词级时间戳。模型是 MoE 架构（代号30B-A4B），总参数30B级、单次推理只激活约4B。知乎知乎
两个硬核点。一是不怕抢话：多人会议重叠说话场景，官方自评 cpWER（带说话人归属的词错误率）15.80，此前公开发表的最好组合是16.83。多数开源识别只测单人朗读，它直接上真实会议的“你一句我十句”。二是长音频一次过：单次最长啃1小时录音、65536 token上下文，不用再切段、拼时间戳。采访、会议、网课录音党，这是刚需。知乎
更实在的是数据管线 Granary v2 一起开源：46.3万小时、48种语言的训练数据清单和处理流程。对研究者，这可能比模型本身还值钱。知乎
三盆冷水，挨个泼
第一盆，榜单是官方自评。基准快照日期10月12日，对比对象 Qwen3-ASR、Parakeet 等都是官方自选口径，截至发布没见第三方独立复跑。“第一”“最强”是媒体加的形容词，官方模型卡没这么自称。知乎
第二盆，中文不在“领先”档。官方语言矩阵里，英语和多数欧洲语言标“领先”，日语、泰语“生产就绪”，中文普通话的标注是“提供支持，可能需要微调”。支持40种语言，不等于40种都同等好用。知乎
第三盆最扎心：硬件门槛。官方入门要求 H100（80GB显存），最低档 L40S（48GB），消费卡唯一上榜的是 RTX 5090（32GB，且仅 NVFP4 量化）。BF16 权重文件 67.5GB，8GB 显存的笔记本连门都摸不到。而且那个“30秒录音0.13秒返回”的加速服务（NIM）不含在开源发布里，开源版走 vLLM，官方预期还要慢两倍左右。知乎
普通玩家怎么摸到它
只想体验的，官方创空间免费玩：有实测者上传24秒中文音频，含排队约2分钟出结果，带说话人标签、自动断句。但提醒一句：别把带客户姓名、敏感信息的录音往公网丢——能处理录音不等于随便上云，敏感素材走本地或私有化部署。知乎知乎
想本地部署的，有 H100/A100 级算力、要评测会议转写的团队，现在就可以拿自己的标注样本做 A/B；消费级显卡用户，建议等量化版上架和社区实测，别急着当小白鼠。
一句话收尾：老黄这次给的是真东西——免费商用、连数据管线都送，抢话和长音频是真痛点。但“你电脑也能跑”是这轮传播最大的误会。算力门槛还杵在那，多数人先在创空间白嫖，再看要不要等量化版。
