这不只是普通的语音转文字模型，而是一款能听懂自然语言指令的语音大模型！
🔥 核心亮点：
✅ 34B 总参数，仅激活约 4.3B，采用 Mamba + Transformer 混合 MoE 架构。
✅ 支持 40 种语言，包括中文，最长处理 1 小时录音。
✅ 支持说话人识别、词级时间戳、语音翻译、音频问答。
✅ 可通过 Prompt 控制转写风格、指定专业术语，特别适合 AI 技术视频字幕和会议纪要。
✅ 英语公开测试集平均词错误率仅 4.71%。
⚡ 官方优化服务在特定 Blackwell GPU 配置下，峰值吞吐达到 2238 倍实时速度！
更有意思的是，NVIDIA 还提供了 Claude Code Skill，支持通过 AI Agent 辅助模型微调。
中文和中英混说效果仍值得实测，但它展示了语音识别从传统 ASR 向可编程语音模型发展的趋势。
🔗 模型地址：https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B