国产语音模型刚把榜单刷成中国名字，英伟达反手甩出个“全能速记员”，开源转写彻底变天了

最近这半年，只要你关注过语音转文字这个圈子，一定能感觉到一股“换风向”的味道。

以前说起开源转写，所有人条件反射就是一个词：Whisper。它像班里那个门门及格、人也老实的老好人，虽然不惊艳，但你想不出别的答案。

可从去年年底到今年，榜单前排忽然挤进了一堆中文名字——阿里的 Qwen3-ASR、Fun-ASR，还有社区里被反复拉出来实测的各种国产小模型。CSDN 上甚至出现了“本地 ASR 三强同台”这种帖子，拿国产模型和英伟达的新模型摆上同一张桌子比速度、比延迟、比谁更省显存。

就在大家开始习惯“国产模型轮流坐庄”的时候，2026 年 10 月 28 日，英伟达扔出了一个新东西：Nemotron 3.5 Transcribe。

它只花了一天时间，就把刚被国产模型刷新的那张榜，又刷了回去。

一、先说说这场“换榜”到底换了什么

别急着看参数，先看三组最直白的数字，这是最好懂的部分：

• 英语公开测试集九项平均，它的错误率是 4.71%，前一名是阿里的 Qwen3-ASR-1.7B，4.94%；
• 长音频测试（一小时的访谈、财报会那种），它是 10.98%，前一名是英伟达自家的 Parakeet，13.37%；
• 多语种测试（七种语言混着考），它是 4.62%，前一名还是 Qwen3-ASR，6.49%。

差距不大，但足够致命。就像跑步比赛，国产选手一路超车冲到最前面，回头一看，英伟达换了双钉鞋，从外道又追上来了。

更有意思的是，这不是一次“参数碾压式”的胜利。这个模型总共有 340 亿参数，但每次干活只叫醒其中 43 亿——相当于一家公司有 340 号人，但一个项目只拉 43 个人开会，剩下的人安静待命。这就是所谓的“混合专家”结构。

省人力，还不耽误干活。

二、它到底是个啥？一句话：一个带脑子的速记员

你可以把它想象成公司里那种最让老板省心的员工。

普通的语音识别，是“听写机”：你说一句，它记一句，仅此而已。

而这个模型更像一个坐你旁边的资深场记 + 速记员 + 翻译 + 审片员，一个人把四份活都干了：

第一，它能一口气听完一小时的录音。 不是切成小段一段段接，而是从头到尾一次性看完整场对话，前后文的逻辑还连着。官方说它的“记性”能装下 6 万多个词元的上下文，你一场部门例会扔进去，它不会听到后面忘了前面。

第二，你可以用大白话给它“下指令”，让它换一种记法。 这句话挺关键——它不是只会一种输出。

你想要一字不差的逐字稿？告诉它“连语气词、重复的话都保留”。

你想要能直接发群里的干净纪要？告诉它“语气词删掉，数字写成规范写法”。

你想要带人名的剧本？告诉它“每句话前面标上说话人编号”。

这事的本质是：以前你要装三四个工具才能凑齐的效果，现在变成一句话的事。

第三，它会“开卷考试”。 开会前你把参会人名单、项目名、一堆行业黑话丢给它，它听的时候就有了参照。官方测试里，给了精准的术语表之后，专有名词的识别错误率从 3.33% 掉到 1.71%，几乎腰斩。

这个功能听着不起眼，但用过的人都懂——转写最烦的从来不是听不懂普通话，而是“张总”被写成“章总”，“AIGC”被写成“A G C”。

三、真正的王炸：它知道“谁在什么时候说了什么”

如果只挑一个最震撼的能力，我选这个。

开过会的都懂那种绝望：三小时的录音转成文字，一大坨，谁说的完全分不清。你想找“老板到底哪句话拍板了”，只能从头一句句读。

这个模型把“说话人分离”直接焊进了身体里，最多能分辨 8 个人，而且不是转完再猜，是在转写的同时就给你标好。

输出的东西长这样（我用人话复述一下效果）：

说话人 1（00:12）：这个季度的预算我们先过一遍。 说话人 2（00:18）：我这边超了 8%，主要是服务器。 说话人 3（00:25）：等一下，这个数是不是算重了？

时间戳精确到每个词，说话人标签全程不串号。 在多人会议的权威测试里，它的综合错误率是 15.80，比目前公开的最好成绩还要低一截。

这意味着什么？以前你拿到的是“会议记录”，现在你拿到的是“剧本”。想剪播客、想做访谈逐字稿、想给客服录音做质检，直接就能用。

第二个容易被忽略的惊喜，是它能听见“文字之外的东西”。

它不只记录你说的字，还能标出你在笑、在咳嗽、在叹气，甚至能判断这句话是平静陈述还是带着火气。

这个功能听起来像花活，但做过内容的人会立刻反应过来——剪视频的时候，你要找“嘉宾笑场那一段”，以前得靠耳朵一遍遍拖进度条；现在它直接给你标出来“第 12 分 30 秒，有笑声”。

第三个功能，可能很多公司会抢着用：它能自动给隐私信息“打码”。

手机号、身份证号、地址这类东西，它能在转写时识别出来并做标注甚至抹掉。对要做客服录音分析、医疗问诊记录的团队来说，这一条几乎等于省掉了一道人工审核工序。

四、快得有点不讲道理，但门槛也是真的高

官方的性能数据是这样的：在一块专业级显卡上，它一秒钟能处理 2238 秒的音频。

换算一下：一秒干掉 37 分钟的录音。

一段 30 秒的语音，它 0.13 秒就把稿子吐出来了。你眨个眼的功夫，活干完了。

不过这里必须说句实话，免得大家看完就冲动：这是英伟达自家优化过的服务版本，开源出来的那一版大概会慢一倍左右。 官方自己也写明了，优化还没完全放出来。

那普通人能不能在自己电脑上跑？

老实说，这台“速记员”不是笔记本随手就能请回家的类型。

它最舒服的状态，是一张 80G 显存的 H100 这种专业卡；就算量化压缩之后，也得 RTX 5090 这个级别的消费旗舰才扛得住。Windows 用户有福一点，社区已经做了轻量格式的支持，不用折腾 Linux。

所以给三类人一句实在话：

• 纯好奇、想先看看效果：官方在 Hugging Face 上挂了个在线体验页，上传一段音频就能玩，零成本；
• 自媒体、剪辑、播客从业者：如果手上有一段特别重要的长录音，值得借一台带好显卡的机器跑一次，效果确实和免费工具不在一个档位；
• 公司要做会议系统、客服质检：这才是它的主战场，一张卡换一个不用上传云端的“转写+分角色+翻译+打码”全套流水线，账很好算。

五、那国产模型这半年的力气，白费了吗？并没有

这里得说点真话，也是这份模型说明里最诚实的地方。

在这份支持 40 种语言的清单里，英语、法语、德语、日语等十几种语言被标为“领先级”，而中文普通话被标的是“支持级”——意思是能用，但可能需要你自己再调一调。

更扎心的数字在中文会议测试上：AISHELL-4 和 AliMeeting 这两个中文多人会议测试集，它的错误率分别是 32.91% 和 34.95%。

三句话错一句。这个水平，离“开完会直接发群里”还差得远。

而中文多人会议、方言口音、中英夹杂，恰恰是国产模型这半年真正下功夫的地方。

再加上一个更现实的优势：身材。

英伟达这个“全能速记员”是重量级选手，得靠专业显卡伺候；国产那批 0.6B、1.7B 参数的小模型，量化之后一张普通游戏显卡就能跑，有的甚至能在手机、录音笔、车机上落地。

这就是两条完全不同的路：一条是把“一件事做到极致”，一条是把“所有事塞进一个盒子”。

英伟达的护城河，其实从来不是“更懂中文”，而是“更懂一整套活”——多语种、说话人、时间戳、翻译、音频理解、隐私打码，全塞进一个模型里，再配上自己的显卡和推理引擎，软硬一条龙。开源只是敲门砖，真正赚钱的是后面那套企业服务。

所以“老格局松动”这件事，松的不是某一家公司，而是**“谁也别想再当默认答案”**这个认知。

六、正在选型的中文团队，该怎么选？

我给一句尽量不绕弯的口诀：

要极致精度、长音频、多语种、带角色的完整剧本，而且有专业卡 → 看 Nemotron 3.5。

要端侧实时、中文方言、成本敏感、设备上就得跑 → 国产小模型依然是首选。

而且这两条路根本不冲突。真实的生产环境里，很多团队的做法是“双轨”：用国产小模型做实时初稿，用大模型做离线精修。 一个负责快，一个负责准。

换模型的成本也没想象中高。现在主流语音模型基本都用同一套接口规范，音频喂进去、文字吐出来，改的只是“换个引擎”，不用重做整个系统。

几个必须提前知道的坑，也一并说清楚：

• 它是离线模型，不是实时字幕工具。别指望边说边出字，那是另一条产品线；
• 中文属于“支持级”，重要场景一定要自己拿真实录音验一遍；
• 超过 8 个人、环境特别嘈杂、录音超过 1 小时，效果都会打折；
• 商用许可是 OpenMDW-1.1，允许商用，但上线前该走的合规流程一步都不能省。

最后放一张官方给的“微调前后对比图”，这个挺能说明问题：把模型拿去用自己的数据再练一练，语种识别从 44.2 分提到 92.1 分，情感识别从 38.3 提到 75.5，连斯瓦希里语这种小语种的错误率都从 73.7 砍到 20.8。

说白了就是：买回来的速记员是通用款，你真想让他变成“你们公司专属的速记员”，还得自己带他实习几天。 而对大多数中文团队来说，这几天实习，往往比换一个更贵的模型更值。

写在最后

这半年的语音转写圈，像极了一场没有终点的接力赛。

国产模型把 Whisper 从“默认答案”的宝座上拽了下来，英伟达又用一个大模型把榜首抢了回去，过阵子大概率还会再换人。

但换个角度想，真正被改变的其实是我们的日常：开完会不用再对着录音熬到半夜；采访完不用一个一个字敲；家里的老人口述往事，可以原原本本变成文字留下来，还不用上传到别人的服务器。

技术榜单上谁第一，跟我们关系不大。真正有意思的是——这些东西，终于便宜到、简单到普通人也能用上了。

如果现在有个完全免费、录音不出你电脑的“速记员”，你最想让它先帮你转哪一段？

是电脑里躺了三年的那堆会议录音，还是手机里一直没舍得删的那通电话？