NVIDIA语音转写登顶开源榜：4B激活参数很省，30B内存账单别忘了

NVIDIA的Nemotron 3.5 Transcribe在Artificial Analysis的非流式语音转文字榜上拿到2.8%的AA-WER，和Mistral的Voxtral Small并列开放权重第一。它只有4B激活参数，总参数30B，属于MoE结构。评测方给出的对比很直接：Voxtral Small用了24B激活参数，Nemotron 3.5 Transcribe用6倍少的激活参数追平了WER。上一代NVIDIA最准模型Canary Qwen 2.5B是4.3%，Thinking Machines的Inkling是3.5%。

榜单第一很漂亮，产品经理先别急着把实时语音助手接上去。关键词是非流式。Nemotron 3.5 Transcribe做的是离线转写，流式识别另说。有网友说，非流式对语音代理是个硬伤。这个提醒比标题更重要。

在Artificial Analysis的AA-AgentTalk数据集上，Nemotron 3.5 Transcribe拿到1.8% WER，领先Voxtral Small的2.3%。AA-AgentTalk是语音代理对话数据。这个数字好看，但别误读成能直接塞进实时语音代理。有网友翻出NVIDIA模型卡补充，Nemotron 3.5 Transcribe是离线模型，流式模型是单独的0.6B Nemotron 3.5 ASR。

速度和成本方面，Artificial Analysis在DeepInfra的托管端点上做了测试。Nemotron 3.5 Transcribe的Speed Factor是75x，1分钟音频不到1秒转完，价格是每1000分钟音频2美元。对批量转写、字幕归档、会议录音整理，这个组合有吸引力。

但账要算全。4B激活参数不等于本地只占4B内存。有网友提醒，跑本地推理仍然要为30B总参数准备内存，便宜的是每个token的计算，模型体积另算。另有网友说，4B激活参数追平24B，本地跑字幕转写的可以准备换模型。这两句话不矛盾，一个看算力，一个看显存。

多语言也是问号。有网友追问德语和巴西葡萄牙语表现，并指出很多模型英语很好，其他语言会差不少。有网友提到土耳其语和代码切换，开发者会在句子里夹英文技术词，这种混合语音才是真实测试。还有网友想看口音、噪声电话录音、重叠语音上的表现，榜单在这些场景经常和现实脱节。

价格也有争议。每1000分钟2美元放在个人批处理上不算贵，放到高并发客服中心就是另一回事。有网友认为，规模化语音代理场景下这个价格仍然偏高。

有网友翻出NVIDIA模型卡补充：支持40种语言转写，其中31种可和英语互译，13种带说话人标签，最长处理1小时录音。这些能力适合离线批处理。要做实时听写和语音代理，先看流式版本，别拿非流式榜单第一硬套。

完整结果在Artificial Analysis的语音转文本页面，评测方法在这里。原始推文在这里。