英伟达开放30B语音模型权重：4.3B激活，英文WER 4.71%

10月28日，NVIDIA发布Nemotron 3.5 Transcribe。按MarkTechPost的报道，这是一个开放权重的语音大模型，总参数30B，MoE结构，激活参数4.3B。它支持40种语言转写，输出说话人标签和词级时间戳，在英文Open ASR Leaderboard上的平均WER为4.71%。

WER是词错误率，越低越好。4.71%放在英文转写里是个值得看的数字，但要注意，这个成绩只对应英文榜单。40种语言的实际表现，公开素材里没有逐项数据。做多语种落地时，仍要拿自己的音频样本测。

说话人标签和词级时间戳比单纯给一段文本更实用。会议记录要区分谁在说，字幕要对齐到词，剪辑要按时间点下刀。这些功能直接决定转写结果能不能进工作流，还是只能当参考稿。

MoE的账也值得算。30B总参数不等于每次推理都跑满30B，4.3B激活参数意味着计算路径更窄。对长音频、批量转写这类场景，部署成本往往比榜单小数点更重要。NVIDIA把模型开放权重，意图不难猜：让更多语音应用跑在自己的推理栈上。至于它是不是同尺寸里最好，等第三方多语种测试更靠谱。

来源：MarkTechPost，作者Asif Razzaq。原文链接：https://www.marktechpost.com/2026/10/28/nvidia-nemotron-3-5-transcribe-open-speech-llm/