Nemotron 3.5 Transcribe 能轉錄40種語言，但你的會議紀錄不該只看這個數字

2026年10月28日，NVIDIA 公開 Nemotron 3.5 Transcribe，把語音轉錄、翻譯、說話者標記和依提示調整輸出格式放進同一個開放權重模型。對常要整理會議、訪談、課程錄音的團隊來說，這代表原本要串接多個服務的流程，有機會收攏到單一模型處理。但模型卡同時把它定位為離線錄音處理，不是即時串流服務。「能做」與「在你的語言、你的設備、你的逐字稿規則下夠準」，是兩張不同的考卷。

先看能力表，再看限制

NVIDIA 公開的數字是：可轉錄 40 種語言、31 種語言可與英文互譯、13 種語言支援多人說話者標記，單一錄音最長一小時。這三個數字分屬不同任務，直接拿「40 種語言」當採購依據，會漏掉自己需要的功能可能不在支援範圍內。

模型本身是語音增強語言模型架構，把音訊編碼器與語言模型結合。用日常一點的比喻：它像一位聽打人員，你可以事先交代「逐字保留」或「整理成書面語」，也能給它一份領域詞彙表當小抄。但小抄只是線索，不是保證，專有名詞照樣可能拼錯。另外，說話者標記只區分音檔裡的不同聲音輪次，它不會告訴你「這是王經理」，真實身分仍要人工對照。

對臺灣團隊，模型卡列有普通話轉錄與英語互譯，但這不等於臺灣華語、中英混說、臺語穿插或繁體中文標點格式都已驗證。官方支援矩陣也明說，不同語言在轉錄、翻譯、多人發言與語碼切換上的能力有別。類似的語言能力驗收問題，我們在Dessa 語音情緒模型的導入判斷一文也提過：模型展示的能力與組織實際場景之間，永遠需要一份自己的測試語料。

NVIDIA 技術報告裡有一句值得抄進驗收表：「一段錄音沒有唯一正確的逐字稿，正確與否取決於閱讀者和用途。」法律紀錄要保留語助詞，課堂筆記要刪掉重複語句，兩者的輸出規則本來就不同。

整體錯誤率下降，不等於關鍵內容可靠

兩個公開案例可以說明驗收該怎麼分項看。

第一個是 NVIDIA 與 Agora 的課堂示範：課程結束後才把錄音交給模型，產出附時間戳的逐字稿，學生可沿字幕回播。這展示的是錄播後的搜尋與複習流程，不是即時字幕，也不證明大規模課堂的效能。它提醒導入者先想清楚輸出用途：回看搜尋可容忍少量錯字，逐字引用或會議決議就需要更嚴格的人工覆核。

第二個是醫療語音微調案例。團隊用印度醫療語音測試集做領域調校，詞錯率從基礎模型最佳提示的 22.44% 降到 12.17%。但品牌藥名的完全吻合率是 36.6%，還低於專科模型的 38.3%。這組數字的重點不是改善幅度，而是：整體詞錯率漂亮，關鍵實體仍可能不可靠。放在會議場景就是，全文通順，人名、產品名、決議日期照樣出錯。

語碼切換是另一個要單獨測的項目。PubMed 收錄的 HiACC Hinglish 語料研究顯示，以單語資料訓練的標準語音辨識模型，在英印混語測集上詞錯率約差 42%。這個數字只對應該研究的基線，不能套用到 Nemotron，但它說明「支援多語」與「能處理一句話裡切換語言」是不同的驗收問題。中英混說的臺灣職場錄音，剛好落在這個高風險區。

部署前的檢查方法

開放權重模型的好處是可以離線跑，錄音不出內部網路，對醫療、法務、人資面談這類敏感音檔尤其重要。代價是硬體容量、授權條件與維運成本要自己扛，這部分需依實際部署環境評估，模型卡並未給出通用的最低規格保證。

驗收測試建議把錯誤分開記錄：逐字錯誤、專有名詞錯誤、說話者錯置、時間戳偏差、翻譯品質各算各的。單一總分會掩蓋不適用的部分。NVIDIA 在 Hugging Face 的模型說明也提醒，姓名、說話者變化與回答內容都應對照錄音抽查。

最後是人工校對成本。假設導入後仍需逐份覆核，模型省下的是聽打時間，不是審核時間。把校對人力放進同一張帳，才能誠實比較「自建離線模型」與「現有雲端服務」的總成本。公開排行榜的名次可以當線索，但榜單的測試集、正規化方式與語言分布都會影響數字，它不能代替你自己那批會議錄音的驗收結果。