英伟达、Third Intelligence与腾讯把开源语音模型塞进单张显卡

转写和翻译过去大多按分钟卖，做成云端API，厂商按音频小时计价。权重开放、单张显卡就能跑的模型改变了这笔账。公司可以在内部处理录音，用自己的行话微调模型，不必把文件送到厂商那里。目前还不清楚的是，离开英语和普通话的基准测试之后准确率是否站得住，而公开数字恰恰在这两处最弱。

这批新发布里只有一个处理实时语音。腾讯的翻译模型走流式，英伟达的模型处理录音。

英伟达到底发布了什么

Nemotron 3.5 Transcribe一次完成转写、说话人标注、时间戳和翻译。它覆盖40种语言，最多标注8个说话人。英伟达把它做成混合专家结构。两篇报道对它的规模说法不一：SiliconANGLE和MarkTechPost给出的总参数与激活参数数字不同。技术报告称，多出来的权重放在多token预测模块和音频部分。每次请求用一段文字指令选择输出样式。公司把这模型定位成转写专用工具，不是通用助手。

权重提供BF16、约35 GB的FP8和约21 GB的NVFP4三种版本。最后一种小到能在RTX 5090上运行。

英伟达称，一块Blackwell Server Edition显卡在NVFP4精度、四分之一模型压缩下，三分钟内处理100小时音频。它也能跑在Jetson AGX Thor边缘计算机或DGX Spark桌面机上，从机器人脑子到数据中心部件都覆盖。英伟达把Granary语音数据集扩到v2：463062小时，覆盖48种语言、16个来源语料，v1时是25种语言。SiliconANGLE指出，该数据集与模型的训练混合数据是两回事。

基准成绩，以及它停在哪里

英伟达报告在九个公开英语Open ASR集上平均词错率4.71%，次优的开源模型Qwen3-ASR-1.7B为4.94%。这张表上仍有七个商业系统领先，最高的是OtterAI speech-v3.1的3.88%。在七个多语种集上，该模型报告平均词错率4.62%，Qwen3-ASR-1.7B为6.49%，而ElevenLabs Scribe v2达到3.56%。这里每个数字都是自报的。

公开数字里最弱的一项是AliMeeting普通话远场会议上的34.95% cpCER。对照的是英语平均4.71%。

SiliconANGLE从同一次发布里报出另一组数字。它引用30.8%的零样本错误率，精心写提示词后降到20.8%。它还引用微调后在Eka Care印度医疗语音基准上11.8%的词错率。两篇报道对同一模型的错误率对不上，也都没解释差距从哪来。

有一个数字指向另一边。给模型一份实体清单后，ContextASR-Bench上的命名实体词错率从12.21%降到2.20%。

小模型，单一语言

Haas-ja-v1.0押的是另一头：61580万参数，只做一种语言，而非40种。GIGAZINE报道说，它在日语转写上得分高于商业产品Gemini 3.5 transcribe，也是该媒体评测过的开源模型里最高的。它自己的测试中，4分19秒的音频在上传结束后0.32秒转写完成，有些专有名词需要人工改正。权重放在Hugging Face上，推理代码在GitHub上。

GIGAZINE的成本图表把Haas-ja-v1.0列为准确率相当的模型里推理成本最低的一个。这项比较用的是商业API价格和在日本跑H200的推理成本。

腾讯的Hy-SimulMT瞄准中英同声传译，在RealSI长文本基准上流式延迟约3秒。腾讯称其翻译质量分数超过了对比中的其他开源模型和五个商业API里的四个。发布内容包括权重、推理软件和训练工具。

在苹果平台上，AnySpeechRecognizer包封装了英伟达的Parakeet TDT 0.6B v3和阿里巴巴的Qwen3-ASR。Parakeet覆盖25种欧洲语言。Qwen3-ASR有6亿和17亿两个版本，覆盖30种语言和22种中文方言。