英伟达把语音转写做成了可被“提示”和“适配”的组件，而不只是一个输出文本的黑箱。
发生了什么
英伟达在 Hugging Face 上发布了 Nemotron 3.5 Transcribe 与 Granary v2。从官方给出的定位看，这是一套面向多语言语音转写的模型与配套方案：Transcribe 负责把语音转成文本，Granary v2 则是与之配套的发布与适配层。官方强调的两个关键词是“可提示（promptable）”和“可适配（adaptable）”——用户可以通过提示来引导转写行为，也可以针对特定语言或场景做适配，而不是只能接受模型默认的输出格式与风格。
为什么重要
语音转写长期存在一个结构性矛盾：通用模型在标准场景下表现不错，但一旦进入专业领域、特定口音、混合语言或带格式要求的场景，输出就难以直接使用。过去解决这个问题主要靠微调，成本高、周期长；而“可提示”的思路是把一部分控制权前移到推理阶段，让使用者用自然语言或结构化指令约束转写结果，比如指定术语、标点风格、说话人处理方式。
英伟达选择在 Hugging Face 发布，也延续了它近年在开放模型生态上的策略：把 Nemotron 系列作为可下载、可二次开发的基座，而不是只通过自家云服务提供。对多语言场景而言，这一点尤其关键——不同语种的语料和标注资源差异很大，只有允许本地适配，模型才可能真正覆盖长尾语言。
影响与看点
对开发者来说，最直接的价值是转写环节的可控性提升：可以把转写嵌进更大的流水线，用提示统一输出规范，减少后处理脚本。对做会议记录、字幕、客服质检、多语言内容分发的团队，可适配意味着针对垂直领域调优的门槛下降。
值得关注的几点：一是“可提示”在实际多语言场景下的稳定性，提示对转写准确率是增益还是干扰，需要实测；二是 Granary v2 作为配套层，究竟提供了哪些适配与部署能力，决定了这套方案是“又一个模型”还是“一套工作流”；三是英伟达在 ASR 上的投入，反映其正在把 Nemotron 从语言模型扩展为多模态基础模型家族。
一个判断：语音转写的竞争重心正在从“识别准不准”转向“能不能按需定制”，谁先把可控性和部署便利性做好，谁就更容易进入企业流水线。
