輝達釋出免費可商用的語音轉文字模型 Nemotron 3.5 Transcribe：支援 40 種語言含中文普通話，RTX 5090 也能跑壓縮版；台語不在清單，中文列在原廠最低一級

趨勢新聞2026 年 10 月 29 日

輝達（NVIDIA）美國時間 10 月 28 日在 Hugging Face 等平台釋出語音轉文字模型 Nemotron 3.5 Transcribe。把錄好的會議、訪談或客服錄音交給它，它會產出逐字稿，可依設定標記不同說話者（只分得出「第 1 位、第 2 位」，不會認出是誰），也可選擇附上詞級時間戳（每個詞從第幾秒講到第幾秒）。模型免費下載，模型卡寫明可商用，支援 40 種語言，包含中文普通話。本站的讀法：要做會議紀錄、影片字幕或客服錄音分析的台灣公司，多了一個能裝在自家機器上跑的選項，錄音可以留在公司內部。不過台語不在 40 種語言裡，普通話也被輝達自己列在三個品質等級的最低一級。

以下依序說明：它能做什麼、中文好不好用、要什麼機器與授權，最後是對台灣公司的意義。

它能做什麼，不能做什麼

先解釋「開放權重」：AI 模型學到的東西存在一大包數字裡，叫做權重。ChatGPT 這類服務的權重不公開，只能透過網路呼叫；開放權重則是把這包檔案放出來，任何人下載後可以在自己的電腦或伺服器上執行。

依模型卡，這個模型一次可處理最長 1 小時的錄音，能照實逐字轉寫（連「嗯、那個」都留），也能整理成書面文字；可以先在指令裡給公司名、產品名等專有名詞，提高辨識正確率；也能把 31 種語言的語音翻成英文文字，或反向翻譯。模型卡寫明限制：「This is an offline model.」，也就是「這是離線模型。內部把音訊切段處理，並不會讓它變成即時串流的語音辨識服務」（本站譯）。它處理錄好的檔案，不提供邊講邊出字的即時辨識。

本站比對 TechCrunch 同日報導的公開段落：據 TechCrunch 報導，模型是 300 億參數，可區分最多 8 位說話者；模型名稱寫的是 30B，模型卡另列含音訊編碼器的總參數為 340 億，關於說話者，模型卡記載的是訓練用混音最多 8 人，本站無法據此確認實際上限。

中文好不好用：列在最低一級，台語不在清單

模型卡把語言分三級：「領先」（13 種，含英語、韓語）、「可上線使用」（15 種，含日語、泰語）、「支援，可能需要微調」（含普通話、阿拉伯語、越南語等）。微調指拿自己的資料再訓練，讓模型適應口音或用語。台語、客語、粵語都不在清單裡。

普通話在 FLEURS 朗讀語料的字錯誤率（CER）是 8.62%，約每 100 字有 8 到 9 處錯字、漏字或多字。兩套中國大陸錄製的多人會議語料 AISHELL-4、AliMeeting 難得多，連說話者歸錯也算進去的錯誤率（cpCER）是 32.91% 與 34.95%；中英夾雜的 ASCEND 測試，混合錯誤率（MER）是 18.74%。三種指標算法不同，不能直接比高低。模型卡的 ASCEND 測試指令要求普通話寫成簡體字；能不能穩定輸出繁體、對台灣口音準不準，本站讀到的版本沒有相關評測，目前無法判斷。

要什麼機器，授權怎麼算

模型採「混合專家」設計，總參數約 340 億，推論時只動用其中約 43 億（含音訊編碼器）。完整精度版建議用一張 H100 80GB 資料中心顯示卡；相容表也列了消費級的 RTX 5090，但只對應 NVFP4 壓縮版（數字存得更省空間的版本）。速度方面，模型卡說一張 RTX PRO 6000 Blackwell 伺服器版顯示卡，用 NVFP4 加上推測解碼，每秒最多處理 2,238 秒錄音；這是輝達 NIM 推論服務裡尚未開源的優化版，發布當天的開源版本預估要花約兩倍時間，這個數字也不能套到 RTX 5090。

授權是 OpenMDW-1.1，條文寫在遵守本協議的前提下，「免費授予不受限制地處理本模型素材的權利」（本站譯），協議本身也不限制模型產出的使用、修改或分享。條件包括：轉散布時要附上授權全文與原有聲明；若提起、維持或自願參與主張模型直接或間接侵害專利或著作權的訴訟，授權即終止，除非是為回應他人先對你提起的相應訴訟；模型依現狀提供，第三方權利由使用者自行釐清。

本站的讀法：對台灣公司代表什麼

若真的架在公司內部，醫療、金融、客服這類錄音裡有客戶個資的單位，就不必為了轉寫把錄音傳給外部雲端業者。但這不等於自動符合《個人資料保護法》，第 8 條的告知、第 11 條的刪除等規定照樣要做。

架設要有會用 vLLM 等工具的工程師，硬體也要花錢。台語未列入支援清單、模型卡也沒有台語評測，以台語為主的客服或長輩訪談，不宜把它當現成方案。想用的公司可以先拿 20 到 30 段自己的錄音初步試跑，涵蓋不同口音、背景噪音與多人交談，跟現在用的服務比錯字數，再決定要不要換。