一场多人跨语种会议，难点不只是把话写下来：系统还得分清谁在说、按要求翻译，并正确拼出医学或行业术语。英伟达发布的 Nemotron 3.5 Transcribe，试图用一个模型包办这些工作。它支持40种语言转写、31种语言与英语互译，并可在13种语言中标注说话人；最长处理一小时录音，最多区分八名说话者。
它更值得注意的地方是“可提示、可适配”。开发者可以直接用自然语言要求模型标注说话人、翻译录音或回答音频中的问题，也可列出 HbA1c、metformin 等候选术语辅助识别。若提示词仍不够，还能用 Granary v2 数据管线和 NeMo Speech 工具做微调——即用少量领域数据继续训练。英伟达披露，一项医疗案例中，微调比最佳提示词方案将词错误率相对降低45.8%。
这是开放权重模型，开发者可下载参数、自行部署和定制；但它目前只处理录音，不支持直播音频。上述榜单成绩与案例效果均来自英伟达披露，实际使用仍需人工抽查姓名、说话人切换和音频问答结果。