Nemotron 3.5 Transcribe 解析：逐字稿聽指令，英文 WER 4.71% 怎麼看？（2026）

2026 年 10 月 28 日，NVIDIA 在研究網站發布了〈NVIDIA Nemotron 3.5 Transcribe: Intelligent Transcription with a Speech LLM〉。這次 Nemotron 3.5 Transcribe 的看點，是同一段錄音可以先說清楚「要怎麼抄」：保留口頭語、整理成書面格式，或附上說話者標記，再由同一個模型處理。

想像訪談裡有人說「呃，六點半」。研究者可能要保留「呃」，字幕編輯想省略口頭語，行事曆則希望看到「6:30」。這三種需求可以同時合理。真正的問題是：模型有沒有照指定規格轉錄，以及改寫格式時，有沒有動到原本的意思。

下面先還原原文的模型設計，再核對跑分與適用邊界，最後談這類模型值得如何評估。本文依公開原始資料分析，未在 AlphaLab 執行模型推論；文中的測試成績均保留其發布者與測試範圍。

Nemotron 3.5 Transcribe 改變什麼？把轉錄規格放進每次請求

The transcription style is chosen with a natural language instruction for each request, without retraining.

中文：每次請求都能用自然語言指令選擇轉錄風格，無須重新訓練。

NVIDIA，發布原文

原文的主張不是「把錄音寫得更漂亮」而已。它把逐字、書面形式、專有名詞提示、說話者歸屬、事件標記與翻譯，視為同一份聲音的不同輸出要求。這讓使用者有機會在請求時選規格，而不是先接受一份固定格式，再接另一套文字整理流程。

依技術報告，模型把語音編碼器、說話者分段訊號與 Nemotron 3.5 Lightning 語言骨幹接在一起；另有 CTC 對齊模組，替生成的文字對回音訊時間。辨認說了什麼、區分誰在說，以及把文字放回時間軸，是相互配合的工作。想先理解分段與轉錄的差別，可接著讀Nemotron 3 說話者分段教學。

這張圖適合讀成一份功能地圖：同一個輸入，在不同指令下可以有不同格式。它不是各種語言都同樣準確的證明，也不能由整合進一個 checkpoint，就推定整條處理鏈只剩一個零件。

Nemotron 3.5 Transcribe 的英文 WER 4.71%：先問這張考卷算了哪些題目

NVIDIA 在發布頁報告：九個英文公開測試集的平均詞錯誤率（WER）為 4.71%。WER 把替換、刪除與插入的詞數，加總後除以標準答案詞數；越低越好。它並不表示每段錄音都有 95.29% 的內容正確，更不能轉成會議結論或重要金額的正確率。

更值得注意的是，本文於 2026 年 10 月 31 日查閱Open ASR Leaderboard時，其英文預設表顯示 5.33%。這個平均還納入兩組私有測試彙整，與 NVIDIA 的九組公開集平均範圍不同。對公開表中九個已四捨五入的數字重算，平均約為 4.70%；它與報告的 4.71% 接近，卻仍不是逐項完全相同的重現結果。

數字	出處與範圍	應如何解讀
4.71% WER	NVIDIA 報告；九個英文公開集	發布者在該評測配置下的結果
5.33% WER	公開排行榜英文預設表；另含私有集彙整	較廣測試範圍的另一個平均
7.56% → 6.16%	NVIDIA 報告；Preference-ASR，預設／附風格指令	偏好感知評分下，指定格式的收益

第三列來自技術報告表 11。Preference-ASR 會把要求的大小寫、數字格式與口頭語處理納入評分；因此加上指令後由 7.56% 降至 6.16%，支持的是「在這個測試裡，更符合指定規格」。不要把這個改善換成所有錄音的辨識能力都提高同樣比例。

這也是新一代語音模型值得重視、卻需要更細評估的地方。傳統的一張抄寫考卷，可能只承認一種答案；當讀者可以選格式，評分也要知道當時選了什麼。反過來說，格式符合了，仍須另查內容是否忠於聲音。

40 種語言、一小時錄音：覆蓋範圍與品質要分開讀

官方模型卡列出 40 種轉錄語言、最長一小時音訊與 65,536 token 上下文；這些是宣告的支援範圍。語言矩陣把不同語言分成不同品質層級，其中華語（Chinese Mandarin）列為 Supported，表示可能需要微調。這不應被寫成繁體中文輸出、特定口音或中英夾雜錄音已獲得同樣成績。

同一張模型卡也說明，音訊理解、推理與語音指令遵循的評估僅涵蓋英文。把「40 種轉錄語言」擴成「40 種語言都能可靠回答錄音問題」，會跨過文件所提供的證據。對華語工作，應另外看字詞、專有名詞、文字形式與任務是否吻合。

說話者標記也要守住意義：標成 speaker 0 或 speaker 1，是區分這段錄音裡的聲音，並非確認現實身分。技術報告還把遠距收音的華語會議列為挑戰。多人插話時，除了抄對字，更要核對這句話歸給了誰；字句正確、發言者錯置，仍可能讓會議紀錄的責任歸屬出錯。

報告的限制章列出的說話者歸屬轉錄上限為八位；報告也記錄長錄音可能進入重複生成迴圈，並說明長篇轉錄成績會先清理已產生的重複輸出，再重新計分。評估時應保存是否採用相同清理方式，讓模型與服務配置一起接受比較。

2,238 倍即時速度，與你等待一份稿件多久，是不同問題

This is an offline model.

中文：這是一個離線音訊模型。

NVIDIA，模型卡 Prompt Guide

「離線」在這裡指處理錄音的模式；模型卡明確區分它與即時串流 ASR。內部分塊處理，不等於電話進行中就能逐句即時交付。若你要的是邊聽邊插話的語音 Agent，可比較串流轉錄與語音 Agent 的邊界，不要只比較產品名稱中的 Transcribe。

NVIDIA 宣稱最高每秒處理 2,238 秒音訊，條件包含單張 RTX PRO 6000 Blackwell Server Edition、NVFP4、DFlash2 與優化的 Nemotron Transcribe NIM。報告的服務效能圖把吞吐量與中位請求延遲分開畫，並改變同時請求數；這個峰值反映併發處理能力，不能拿一小時除以 2,238，就承諾任何單份錄音都在那個時間完成。

模型卡更註明，這些服務優化尚未納入發布時的開放原始碼版本；發布日的開發用整合預期約慢兩倍。這是官方對兩條實作路徑的描述，並非本文測出的固定倍率。部署時要分開記錄權重精度、服務引擎、批次量與是否要求時間戳。

開放權重提供了選擇部署位置與調整流程的空間，硬體與維運仍有成本。若只是探索現有本機語音工具，可以先讀NeMo-Speech.cpp 本機語音 API 教學；它介紹的模型與配置，不能自動套上這次發布的效能數字。

AlphaLab 的判讀：更有價值的，是把「怎樣才算抄對」說清楚

一、我同意：讓格式可控，能減少交接時的歧義

一份訪談稿從研究者交到編輯手上，經常會改變用途。若一開始就能指定保留口頭語、數字採何種寫法、是否標示說話者，就有機會讓產物更接近工作需要。這次發布值得肯定的，是把這些要求納入模型任務與公開評估，而不只追逐一個通用 WER。

但規格可選，也意味著規格要保存。把提示、模型版本與轉錄稿一起留下來，之後才能區分「模型聽錯」「指令要求刪掉」「文字形式改了」三類差異。否則兩份稿件不一樣，團隊可能連自己在比較什麼都無法確定。

二、我存疑：整合得更順，會不會讓錯誤更難被發現？

當轉錄、翻譯與整理都能交給同一套模型，介面會更簡單；可是發生偏差時，讀者也更容易把最後一份流暢文字當成原始證據。例如把「大概」省略，可能只是讓句子順暢，也可能把不確定的發言改成肯定。這裡描述的是需要測試的失敗情境，並非本次已觀察到的模型個案。

因此，重要錄音值得保留兩層成果：一份偏忠實的轉錄與時間位置，一份符合閱讀用途的版本。兩份可以來自同一模型，仍應分別驗收。時間戳讓你較容易回到原音，但把一個字對到某個時刻，並不足以證明那個字聽對了。

三、下一個關鍵指標，是每份合格稿件需要多少修正

排行榜能幫你縮小候選，實際選擇還要看錯誤代價。字幕少一個口頭語，與客服紀錄少一個否定詞，不能只按同樣一個錯字計價。除了整體錯誤率，還應另記人名、金額、否定、說話者歸屬，以及人工修稿時間。這與語音 Agent 驗收的思路相通：每項成績都要接回它想完成的工作。

現在怎麼做？用同一段聲音，檢查兩種規格

先選一小段你有權使用、沒有私人資訊的錄音，人工標出一個數字、一個專有名詞、一句帶否定的話；若有兩位說話者，再標清各自發言。接著預先寫下兩套規格：逐字版保留口頭語，閱讀版移除指定贅詞但保留意思。這是建議的測試設計，不是本文已完成的實測。

實際評估時，讓同一段音訊分別套用兩套規格，保存原音、提示、輸出與配置。先核對必要事實，再看格式是否合規，最後計算交付與修稿時間。如果閱讀版更漂亮卻改變否定或數字，那就沒有達到這份工作的要求；若逐字版內容沒錯卻不符合字幕規格，也要如實記錄。

接下來追這次發布，最有資訊的證據會是不同語言、收音條件與任務規格下的可重做比較。可先用AI Evals 的驗收觀念建立自己的答案表。Nemotron 3.5 Transcribe 讓「怎麼抄」成為可選項；值得保留在自己手上的，是哪些字、哪些語氣與誰說的話，絕對不能在交稿時被改掉。