英伟达发布Nemotron 3.5 Transcribe，用一个模型覆盖40种语言的转写、翻译与说话人标注三项能力。单次录音最长可达一小时，用户可通过提示词指定输出形态——保留原话逐字稿，还是整理成易读的会议笔录。官方称其在多语言Open ASR榜单上的平均词错误率为4.62%，模型权重与微调工具已公开。
语音正在重新成为AI的重要接口层。过去一年里，语音模型的竞争从「识别准不准」转向「能不能在对话中干活」：Phonic发布的Phonic-1可以在用户还没说完时就调用工具查询，等对方说完直接用语音回答，支持50多种语言并能在对话中切换语言而保持同一音色；端侧则有大量会议记录、翻译耳机类硬件密集上市。
对企业而言，「一个模型覆盖40种语言」的价值在于部署与合规成本的下降——不必为每个语种维护一条流水线，也不必把音频送出境外处理。随着权重开源，本地化部署的语音智能体门槛进一步降低，这与近期AI听记卡、翻译眼镜等硬件的爆发形成配套。