Nvidia 推出開放轉寫模型：單卡部署仍要先驗證粵語
Nvidia 推出免費、開放權重的 Nemotron 3.5 Transcribe 語音轉寫模型，聲稱可處理最多 40 種語言的音訊，並可把 31 種語言與英文互譯。模型瞄準會議紀錄、醫療轉寫等企業用途，亦可配合 Granary v2 開放語音資料集及 NeMo Speech 工具，讓開發者針對行業術語作客製化。
對需要把訪談、會議或課堂錄音轉成文字的團隊而言，最實際的吸引力在部署彈性。Nvidia 指這個 300 億參數模型可在單一晶片上運行，涵蓋 Jetson AGX Thor、DGX Spark，以及 Blackwell 資料中心晶片。不過，這是廠方說法，實際所需記憶體、轉寫速度及同時處理多段錄音的能力，仍要按選用硬件、量化方式和工作流程獨立 benchmark，不能直接把「單晶片可跑」視為一般單張 GPU 都有同等體驗。
適合錄音後處理，不是即時語音方案
Nemotron 3.5 Transcribe 的明確限制是只支援已錄製音訊，不處理直播串流。這令它較適合訪問後整理、會議錄音歸檔、醫療聽寫覆核等非即時流程；若產品需要語音 agent 即時回應、直播字幕或通話中的即時轉寫，便要另覓支援串流的方案。
Nvidia 亦聲稱模型可辨識最多八名說話者，並在包括 Hugging Face Open ASR Leaderboard 在內的 benchmark 勝過對手。說話者分離對多人會議尤其重要，但這些均屬廠方效能宣稱；真實錄音中的搶話、遠距收音、背景噪音和中英夾雜，往往比排行榜測試更難處理。
粵語與繁中是本地採用前的關鍵空白
原始資料沒有列出 40 種支援語言，也沒有特別說明粵語、繁體中文或中英夾雜錄音的表現。因此，語言數目不能等同本地口語辨識品質，更不能推論已針對粵語優化。
若考慮把模型用於香港常見的會議、媒體訪問或課堂錄音，較合理的評估方法是以自家錄音比較：逐字準確度、專有名詞和英文人名處理、說話者標籤，以及繁體文字輸出是否需要大量人手校對。與 Whisper 等既有方案比較時，亦應一併計算本機硬件成本、後期修訂時間與把聲音資料交予雲端處理所涉及的私隱取捨。
開放權重和可客製化工具，理論上可讓有能力維護模型的團隊把錄音留在內部環境處理，減少把敏感音檔外傳的需要；但這仍取決於實際部署方式和資料管控。下一步值得觀察的，是獨立測試會否補足粵語、繁中及嘈雜多人錄音的表現，以及開發者能否把單卡部署真正轉化為可負擔的日常工作流程。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
