一段录音可以有几种都合理的文字版本：保留口头语和逐字读法，把数字写成规范形式，或者整理成去掉停顿与重复的书面语。训练和评估若混用这些目标，模型即使听懂了，也可能被算错。NVIDIA 发布的 Nemotron 3.5 Transcribe 与 Granary v2 数据流水线，把这些输出形式明确分开，支持通过指令选择转写方式。
模型总参数约 300 亿、每次激活约 40 亿，结合状态空间层、Transformer 与专家混合结构。发布说明覆盖 40 种语言转写、31 种语言翻译，并对其中 13 种提供带说话人标记的输出。它面向已有录音，不是实时流式听写模型。Granary 则把音频分段、识别、幻觉检查及不同文字目标的生成串起来；公开清单约 46.3 万小时、48 种语言，不能与流水线处理过的全部音频时长混为一谈。
配套医疗转写案例显示，术语和目标拼写可以一起适配。团队用合成语音等材料微调，在与调参说话人分开的 2764 条留出样本上，将词错误率从 22.44% 降至 12.17%；通用 LibriSpeech 指标则由 1.54% 变为 1.69%，并非处处改善。包含调参样本的另一张全量结果表不能当作独立留出成绩。本期核对了原文口径，没有复现训练，也不把未来量化版本的吞吐预告当成当前可用表现。