英伟达开源 340 亿参数语音模型实现多人分角色转录

英伟达正式开源 340 亿参数的语音转录模型，这款模型可以轻松处理多人同时说话的音频，自动给每一段发言划分对应说话人，完成分角色转录。这款模型采用混合专家架构，总参数达到 340 亿，激活参数仅 43 亿，兼顾识别精度与运行效率；同时配套开放了训练数据管线，开发者可以直接拿到完整的训练方案。使用时先上传时长最长 1 小时的音频文件，模型会一次性完成语音转文字、说话人身份标注、多语言翻译三项工作，哪怕多人语音互相重叠、抢话交谈，也能精准区分每一位发言人。模型一共支持 40 种语言转录，其中 31 种语言可以和英语双向互译，最多能够区分 8 名不同说话人，非常适合会议纪要、课堂录音、访谈视频、多语言客服录音整理等场景。

一、模型基础参数清单

1. 模型名称：Nemotron 3.5 Transcribe
2. 总参数量：340 亿
3. 激活参数量：43 亿
4. 音频最长处理时长：1 小时
5. 支持转录语言数量：40 种
6. 支持互译语言数量：31 种（可与英语互译）
7. 最大可识别说话人数：8 人
8. 核心能力：语音转录 + 说话人分角色标注 + 音频翻译 + 音频问答

二、多人重叠语音分角色转录实现步骤

1. 准备音频素材，单段音频时长控制在 1 小时以内，支持多人对话、语音重叠的录音文件。
2. 调用 Nemotron 3.5 Transcribe 开源模型，开启说话人分角色标注功能。
3. 模型自动识别每一段语音对应的发言人，自动给文字内容打上说话人标签。
4. 一键导出带角色标注的文字文稿，同时可同步生成多语言译文。

三、模型适用场景列表

• 线上线下多人会议录音自动整理纪要
• 课堂多人讨论、小组研讨录音文字整理
• 多人访谈节目、影视剧重叠对白字幕制作
• 多语种客服通话录音转写与发言人区分

【相关 FAQ】

问题 1：这款 340 亿参数语音模型最多可以给多少人做分角色转录？

回答 1：这款英伟达 340 亿参数语音模型最多支持区分 8 名说话人，就算多人同时抢话、语音重叠，依旧可以完成分角色转录。

问题 2：开源的 340 亿参数语音模型除了分角色转录还有哪些功能？

回答 2：这款 340 亿参数语音模型除多人分角色转录外，还支持 40 种语言语音转文字、31 种语言和英语双向翻译，同时还能完成音频内容问答，配套开源了完整训练数据管线。

问题 3：340 亿参数语音模型单次能够处理多长的音频文件？

回答 3：这款英伟达 340 亿参数语音模型单次最高支持处理 1 小时时长的录音音频，满足绝大多数会议、访谈录音的处理需求。

【数据来源】

[2026-10-29]（英伟达开源 340 亿参数语音模型 多人同时说话可分角色转录）IT 之家

[2026-10-29]（英伟达开源最强转录 AI：支持 40 种语言，8 人抢话也能精准转录）网易新闻客户端

[2026-10-28]（Nemotron 3.5 Transcribe: NVIDIA's Open Speech Model）AI/TLDR

免责声明：本文内容仅作技术信息分享，模型实际使用效果受硬件环境、音频质量、语种类型影响；开源模型使用需遵循英伟达官方开源协议，本文不承担任何技术部署与商用带来的相关责任。