NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeNemotron 3.5 Transcribe 是 NVIDIA 在 2026 年 10 月 28 日发布的开放权重语音模型,用来把录好的语音转成文字。它支持 40 种语言的转写,语种自动识别;其中 31 种语言可以与英语互译;说话人标签最多区分 8 个人。在 APIMODELS 上它是音频任务接口里的一个模型名 nemotron-3.5-transcribe(nemotron-3-5-transcribe、nemotron-transcribe、nvidia/nemotron-3-5-transcribe 也能用),也是站内第一个语音转文字模型:拿回来的是文本,不是音频文件。 输入只有一个必填字段 audio_url:公网可直接下载的 MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM 音频,或带音轨的 MP4、MOV 视频,也可以传 data URI。单个文件最长 60 分钟、最大 200 MB。timestamps 设为 true 时,完整结果文件里每个词都带开始时间、结束时间和说话人标签(中文按字给)。target_language 用来把语音翻译成指定语言,返回的是译文而不是原文转写;只有一侧是英语时质量才有保证,而且不能和 timestamps: true 同时用,同用会返回 400。 调用是异步的:建单后拿到 taskId,轮询 GET /v1/audio/generations?task_id= 或传 callback_url 等回调,完成后在 resultJson 里读 text(全文)、duration(音频秒数)和 transcript_url(完整结果 JSON),结果文件保留 30 天。我们自己实测:一段 47 秒、两个人对话的英文录音,打开时间戳,大约 4 秒返回,143 个词各带起止时间和说话人标签。 适合的场景:会议和访谈纪要(按说话人分段)、用逐词时间拼视频和播客字幕、客服与销售录音的质检分析、课程讲座和财报电话会这类长音频的归档检索、把多语言内容转成英语,以及给语音数据配文字稿用于搜索或交给大模型总结。实时字幕和实时语音助手不适合。 需要提前知道的限制:它是整段离线转写,不支持实时流式;音色相近的说话人可能被合并成一个;词级时间戳的结束时间误差通常在几十毫秒,开始时间可能偏差约 0.5 秒,英文更明显;同一段音频多次转写,个别字词可能不同;中文结果里外国人名常被音译,部分数字可能写成汉字;两种非英语之间直接互译不保证质量。也不是每个任务都会成功,比如链接下载不了、文件里解不出声音。 按音频时长计费:每分钟 $0.0025(每小时 $0.15),按向上取整到秒的时长折算,10 分钟 $0.025,60 分钟 $0.15。时间戳、说话人标签和翻译不另收费。金额最小单位是 $0.0001,不足的按 $0.0001 收(约 2 秒以内的音频)。读不出音频时长的请求直接返回 400、不扣费;任务失败不扣费。
语音转文字
MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM,或带音轨的 MP4 / MOV 视频。API 用链接传最长 60 分钟、最大 200 MB;体验区上传限制为音频 10 MB、视频 100 MB。
完整结果 JSON 里每个词都带开始时间、结束时间和说话人标签。不另收费。
返回译文而不是原文转写。只有一侧是英语时质量才有保证:其他语言译成英语,或英语译成你选的语言。不另收费。
每分钟音频 $0.0025(每小时 $0.15),按秒折算。时间戳、说话人标签和翻译都包含在内。金额最小单位是 $0.0001,不足的按 $0.0001 收。任务失败不扣费。
要在代码里调用?见 API 文档。
转写结果
转写出的文字会显示在这里
40 种语言的语音转文字
把录好的语音转成文字,语种自动识别,覆盖英语、中文普通话、日语、韩语,以及阿拉伯语、印地语、泰语、越南语等
词级时间戳和说话人
打开 timestamps 后,结果文件里每个词都带开始时间、结束时间和说话人标签,最多区分 8 个人
与英语互译
设置 target_language 后返回译文而不是原文转写:31 种语言译成英语,或把英语译成这些语言
单个文件最长 60 分钟
MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM,或带音轨的 MP4 / MOV 视频,最大 200 MB
只有成功才扣费
任务失败不扣费;读不出时长的文件在扣费前就返回 400
每分钟音频 $0.0025
按秒折算:10 分钟 $0.025,60 分钟 $0.15。时间戳、说话人标签和翻译不另收费
Nemotron 3.5 Transcribe API:40 种语言的语音转文字,带时间戳和说话人
Nemotron 3.5 Transcribe 是 NVIDIA 在 2026 年 10 月 28 日发布的开放权重语音模型:输入一段最长 60 分钟的音频或视频,返回转写出的文字,支持 40 种语言并自动识别语种。
在 APIMODELS 上,Nemotron 3.5 Transcribe API 只有一个模型名 nemotron-3.5-transcribe,走 POST /v1/audio/generations。Nemotron 3.5 Transcribe 任务失败不扣费;成功的任务每分钟音频 $0.0025,词级时间戳、说话人标签和翻译都包含在内。
- 模型名
nemotron-3.5-transcribe- 输入
- 音频或视频,最长 60 分钟 / 200 MB
- 语言
- 40 种,自动识别
- 输出
- 文本 + 完整结果 JSON
- 计费
- 每分钟音频 $0.0025
Nemotron 3.5 Transcribe 能做什么
面向录音文件的语音转文字模型:说了什么、谁说的、什么时候说的。
40 种语言的语音转文字
语种自动识别
Nemotron 3.5 Transcribe 能转写英语、中文普通话、日语、韩语、欧洲主要语言,以及阿拉伯语、印地语、泰语、越南语等,一共 40 种。不需要告诉它录音是什么语言。
audio_url词级时间戳
每个词都有起止时间
打开时间戳后,完整结果文件里逐词列出开始和结束时间,做字幕、音频内搜索、按句剪辑都靠它。中文按字返回。
timestamps说话人标签
最多区分 8 人
同一个开关还会给每个词标上说话人,并给出「谁在什么时间段说话」的分段,会议或访谈读起来就是一段对话。音色相近的说话人可能被合并成一个。
与英语互译
31 种语言与英语配对
设置目标语言后,Nemotron 3.5 Transcribe 返回的是译文而不是原文转写。一侧是英语时质量有保证;翻译不能和时间戳同时使用。
target_language音频、视频都能传
最长 60 分钟、200 MB
支持 MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM 音频,也可以直接传带音轨的 MP4、MOV 视频,用公网链接或 data URI。不用先把音频抽出来。
文本,加一份完整结果文件
text、duration、transcript_url
任务结果里有全文和音频时长;transcript_url 指向一份 JSON 文件,里面是逐词、说话人和分段。文件保留 30 天。
Nemotron 3.5 Transcribe 适合做什么
六类适合的任务:各自传什么、开哪个参数、拿到什么;外加一类不适合的。
会议与访谈纪要
传通话、会议或访谈的录音,加 timestamps: true。拿到全文,以及一份结果文件:每个词带说话人标签,diarization 列出谁在什么时间段说话,文字稿可以按说话人分段排出来。
timestamps视频与播客字幕
直接传 MP4、MOV 视频或节目音频,加 timestamps: true。用 words 里每个词的起止时间自己拼出 SRT 或 VTT 字幕。开始时间可能偏差约 0.5 秒,字幕起点建议检查一下。
timestampswords客服通话与销售录音的质检和分析
传多人、较长的通话录音,加 timestamps: true。说话人标签最多区分 8 人,坐席和客户的发言可以分开,用于质检、关键词检查和分析。音色相近的人可能被合并,说话人标签建议抽查。
课程、讲座、财报电话会的归档与检索
长录音按文件逐个提交,单次最长 60 分钟、200 MB,更长的切成几段。有了文字,每一段录音都能被检索;每小时音频 $0.15。
多语言内容转成英语,或英语译成其他语言
把 target_language 设为 en,日语、德语或西班牙语的演讲就返回英文文本;也可以传英语音频,目标选另外 31 种语言之一。text 字段里就是译文。翻译请求不提供时间戳。
target_language给语音数据配文字稿,用来搜索或交给大模型总结
语音备忘、录音或媒体文件不加额外参数直接传,把返回的文本存下来。可以建索引做搜索,也可以作为纯文本交给 apimodels.app 上的语言模型做摘要,用的是同一个 API Key 和余额。
实时字幕与实时语音助手
Nemotron 3.5 Transcribe 是对整段录音做离线转写,任务完成前不返回任何内容,所以做不了直播实时字幕,也驱动不了语音助手。需要实时的双向语音对话,请用 Grok Voice 3.0。
Nemotron 3.5 Transcribe API 怎么用
一个必填字段、两个可选开关,限制在建任务之前就会检查。
转写
把文件发到 POST /v1/audio/generations,model 写 nemotron-3.5-transcribe。需要逐词时间和说话人时加 timestamps: true。
audio_url必填。公网可直接下载的音频或视频文件,或 data URI;最长 60 分钟、最大 200 MB。timestamps可选布尔值,默认 false。true 时完整结果文件里带词级时间和说话人标签。callback_url可选。任务完成后我们向这里 POST 结果;不传就轮询 GET 接口。
翻译
同一个接口、同一个文件字段;加上 target_language,返回的文本就是该语言的译文。不要开 timestamps。
audio_url必填,规则同上。target_language32 个语言代码之一,如 en、zh、ja、ko、fr、de、es。其他语言译成英语、或英语译成这些语言时质量有保证。
| Nemotron 3.5 Transcribe 输入 | 接受范围 | 超出范围时 |
|---|---|---|
| 文件格式 | MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM;带音轨的 MP4 或 MOV | 被拒绝或任务失败,不扣费 |
| 时长 | 单次最长 60 分钟 | 建任务前返回 400 |
| 文件大小 | 最大 200 MB | 被拒绝或任务失败,不扣费 |
| 时长可读 | 我们必须能测出音频时长 | 建任务前返回 400,不扣费 |
| timestamps + target_language | 二选一 | 建任务前返回 400 |
| 输出 | text、duration 和 transcript_url(完整结果 JSON,保留 30 天) | — |
没有源语言、提示词或输出格式参数。要 SRT 或 VTT 字幕,就用 timestamps: true,再根据结果文件里的逐词时间拼出字幕条目。
Nemotron 3.5 Transcribe 价格:每分钟音频 $0.0025
只有一个单价,按音频时长计,按秒折算。
$0.15
一小时音频
60 分钟 × $0.0025。词级时间戳、说话人标签和翻译都不影响价格,Nemotron 3.5 Transcribe 任务失败不扣费。
| 音频时长 | Nemotron 3.5 Transcribe 价格 |
|---|---|
| 47 秒(我们的测试音频) | 约 $0.002 |
| 1 分钟 | $0.0025 |
| 10 分钟 | $0.025 |
| 30 分钟 | $0.075 |
| 60 分钟(单次上限) | $0.15 |
2 分钟的语音备忘
$0.005
2 分钟 × $0.0025
20 分钟的播客片段,带说话人
$0.05
20 分钟 × $0.0025,时间戳不另收费
40 分钟的讲座,翻译成英语
$0.10
40 分钟 × $0.0025,翻译不另收费
3 小时的研讨会,切成三个文件
$0.45
3 个请求 × 60 分钟 × $0.0025
金额怎么算:我们在建任务时读取音频时长,向上取整到秒,再乘以分钟价。金额最小单位是 $0.0001,不足的按 $0.0001 收(约 2 秒以内的音频)。读不出时长时,Nemotron 3.5 Transcribe 请求直接返回 400,不扣费。
我们实测的 Nemotron 3.5 Transcribe
我们自己跑的一次。它只是一个例子,不是承诺的速度。
输入
47 秒英文,两个人对话
一段简短的两人对话,带 timestamps: true 发送。
输出
143 个词,带时间和说话人
每个词都带开始时间、结束时间和说话人标签,同时返回全文。
耗时与价格
约 4 秒,约 $0.002
文件越长耗时越久。每隔几秒轮询一次,或者传 callback_url 等结果。
使用 Nemotron 3.5 Transcribe 前要知道的限制
它做不到什么,以及哪些输出需要再看一眼。
只做离线转写,不支持实时流式
提交后对整段录音做转写,处理过程中没有部分结果,也不能做实时字幕。
单次 60 分钟、200 MB
更长的录音要切开后分成多个请求提交。
时间戳和翻译只能二选一
逐词时间和说话人标签只在转写时提供。同时传 timestamps: true 和 target_language 会返回 400。
相近的音色可能被合并
最多区分 8 个说话人,但音色相近的两个人可能被标成同一个。
时间戳有误差
词的结束时间误差通常在几十毫秒;开始时间可能偏差约 0.5 秒,英文更明显。
多次转写结果不完全一样
同一段音频转写两次,个别字词可能不同。保存好拿到的结果,不要假设重跑会完全一致。
中文里的人名和数字
中文结果里,外国人名常被音译,部分数字可能写成汉字。
非英语之间的互译
与英语互译有保证;两种非英语之间直接互译不保证质量。
四步调用 Nemotron 3.5 Transcribe API
从拿到 API Key 到拿到文字稿,一共四步。
获取 API Key
在 apimodels.app 注册,进控制台创建 Key。一个 Key、一个美元余额就能调用 Nemotron 3.5 Transcribe 和其他所有模型。
准备好录音链接
把音频或视频放到任何人都能直接下载的链接上。需要登录的链接、几分钟就过期的临时链接会导致任务失败。
发送请求
POST /v1/audio/generations,传 model nemotron-3.5-transcribe 和 audio_url,按需加 timestamps 或 target_language。返回里有 taskId。
读取文字稿
轮询 GET /v1/audio/generations?task_id= 直到 state 为 completed,或者等回调。对 resultJson 做一次 JSON.parse,读取 text;逐词文件在 30 天内从 transcript_url 下载。
curl -X POST https://api.apimodels.app/v1/audio/generations \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "nemotron-3.5-transcribe",
"audio_url": "https://example.com/meeting.mp3",
"timestamps": true
}'
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "nemotron-3.5-transcribe" } }
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# data.resultJson (a JSON string): { "text": "...", "duration": 47.2, "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json" }为什么在 apimodels.app 上用 Nemotron 3.5 Transcribe
先说你自己能验证的事,再说价格。
任务失败不扣费
Nemotron 3.5 Transcribe 任务以 failed 结束时,费用自动退回,原因写在 failMsg 里。
有问题的输入在扣费前就拦下
没传 audio_url、读不出时长、超过 60 分钟、时间戳和翻译同用,都会在建任务之前返回明确的 400。
异步任务,支持回调
创建后轮询任务 ID,或在 callback_url 接收结果。一小时的文件也不用一直占着连接。
一个 API Key 调所有模型
同一个 Key、同一个余额,能调用 Nemotron 3.5 Transcribe、大语言模型、语音合成、图片和视频模型,「先转写再总结」只需要接一次。
结果文件有固定地址
完整结果 JSON 在 transcript_url 上保留 30 天,这期间随时可以再取逐词数据,不用重跑任务。
按分钟定价,按秒折算
每分钟音频 $0.0025,按实际文件测得的时长计。按量付费,没有订阅;体验区在运行前就显示预估价格。
Nemotron 3.5 Transcribe 与 Whisper-large-v3 对比:词错率
下表是 NVIDIA 在 Nemotron 3.5 Transcribe 技术报告(2026 年 10 月 28 日)里公布的数字,不是本站实测。指标是词错率(WER),即模型转错的词所占的比例,越低越好。对照模型的数字由 NVIDIA 取自 Hugging Face Open ASR Leaderboard。
在这份报告的英文榜、长音频榜和多语种榜三张表里,Nemotron 3.5 Transcribe 是所列开放权重模型中平均词错率最低的。它不是全场第一:同一份报告里,有商业系统在长音频和多语种上成绩更好。
| 测试集 | 覆盖内容 | Nemotron 3.5 Transcribe | Whisper-large-v3 |
|---|---|---|---|
| Open ASR(9 个英文测试集平均) | 通用英文语音 | 4.71% | 6.66% |
| Earnings21/22 与 CORAAL(平均) | 长音频 | 10.98% | 13.92% |
| AMI | 会议录音 | 7.81% | 13.63% |
| 7 种语言平均 | 多语种语音 | 4.62% | 7.94% |
出处:NVIDIA Nemotron 3.5 Transcribe 技术报告,表 6(英文榜)、表 7(长音频)、表 9(多语种)。7 种语言是德语、法语、意大利语、西班牙语、葡萄牙语、荷兰语和印地语。
多人说话的录音,同一份报告的表 14 给出了 cpWER(把词归错说话人也算错的词错率,越低越好),测的是整场会议录音,取 AMI、CALLHOME、Mixer 6、NOTSOFAR-1 的宏平均:Nemotron 3.5 Transcribe 为 15.80%,对照 DiCoW v3.3 + DiariZen-v2 为 16.83%。
Nemotron 3.5 Transcribe 参考资料
本页的模型事实和评测数字来自 NVIDIA 自己发布的资料;价格、限制和那次 47 秒的实测是本站的。
- NVIDIA Nemotron 3.5 Transcribe 技术报告(2026 年 10 月 28 日) ↗
表 6、表 7、表 9 的词错率,以及表 14 的多人说话 cpWER。
- Hugging Face 上的 Nemotron 3.5 Transcribe 模型卡 ↗
开放权重、支持的语言和官方写明的限制。
- NVIDIA 发布文章:NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt(2026 年 10 月 28 日) ↗
NVIDIA 在 Hugging Face 上的发布文章。
- Hugging Face Open ASR Leaderboard ↗
对比表里对照模型数字的来源。
关于 Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe 是由 NVIDIA 提供的语音转文字 API。Nemotron 3.5 Transcribe 是 NVIDIA 在 2026 年 10 月 28 日发布的开放权重语音模型,用来把录好的语音转成文字。它支持 40 种语言的转写,语种自动识别;其中 31 种语言可以与英语互译;说话人标签最多区分 8 个人。在 APIMODELS 上它是音频任务接口里的一个模型名 nemotron-3.5-transcribe(nemotron-3-5-transcribe、nemotron-transcribe、nvidia/nemotron-3-5-transcribe 也能用),也是站内第一个语音转文字模型:拿回来的是文本,不是音频文件。 输入只有一个必填字段 audio_url:公网可直接下载的 MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM 音频,或带音轨的 MP4、MOV 视频,也可以传 data URI。单个文件最长 60 分钟、最大 200 MB。timestamps 设为 true 时,完整结果文件里每个词都带开始时间、结束时间和说话人标签(中文按字给)。target_language 用来把语音翻译成指定语言,返回的是译文而不是原文转写;只有一侧是英语时质量才有保证,而且不能和 timestamps: true 同时用,同用会返回 400。 调用是异步的:建单后拿到 taskId,轮询 GET /v1/audio/generations?task_id= 或传 callback_url 等回调,完成后在 resultJson 里读 text(全文)、duration(音频秒数)和 transcript_url(完整结果 JSON),结果文件保留 30 天。我们自己实测:一段 47 秒、两个人对话的英文录音,打开时间戳,大约 4 秒返回,143 个词各带起止时间和说话人标签。 适合的场景:会议和访谈纪要(按说话人分段)、用逐词时间拼视频和播客字幕、客服与销售录音的质检分析、课程讲座和财报电话会这类长音频的归档检索、把多语言内容转成英语,以及给语音数据配文字稿用于搜索或交给大模型总结。实时字幕和实时语音助手不适合。 需要提前知道的限制:它是整段离线转写,不支持实时流式;音色相近的说话人可能被合并成一个;词级时间戳的结束时间误差通常在几十毫秒,开始时间可能偏差约 0.5 秒,英文更明显;同一段音频多次转写,个别字词可能不同;中文结果里外国人名常被音译,部分数字可能写成汉字;两种非英语之间直接互译不保证质量。也不是每个任务都会成功,比如链接下载不了、文件里解不出声音。 按音频时长计费:每分钟 $0.0025(每小时 $0.15),按向上取整到秒的时长折算,10 分钟 $0.025,60 分钟 $0.15。时间戳、说话人标签和翻译不另收费。金额最小单位是 $0.0001,不足的按 $0.0001 收(约 2 秒以内的音频)。读不出音频时长的请求直接返回 400、不扣费;任务失败不扣费。 通过 APIMODELS 平台，您可以使用统一的 API 接口调用该模型，按量计费、价格透明。当前定价：per minute of audio (billed by the second): $0.0025, 10 minutes: $0.025, 30 minutes: $0.075, 60 minutes (maximum per request): $0.15。
相关模型：Grok Voice 3.0 — 需要实时的双向语音对话、而不是转写录好的文件时 —— WebSocket 实时语音,$0.104/分钟
相关模型：AI Dubbing — 想要的是换成另一种语言配音后的成片、而不是文字译文时
相关模型：Voice Isolator — 录音背景嘈杂时 —— 先分离出人声,再拿干净的文件去转写
核心功能
- 40 种语言的语音转文字 -- 把录好的语音转成文字,语种自动识别,覆盖英语、中文普通话、日语、韩语,以及阿拉伯语、印地语、泰语、越南语等
- 词级时间戳和说话人 -- 打开 timestamps 后,结果文件里每个词都带开始时间、结束时间和说话人标签,最多区分 8 个人
- 与英语互译 -- 设置 target_language 后返回译文而不是原文转写:31 种语言译成英语,或把英语译成这些语言
- 单个文件最长 60 分钟 -- MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM,或带音轨的 MP4 / MOV 视频,最大 200 MB
- 只有成功才扣费 -- 任务失败不扣费;读不出时长的文件在扣费前就返回 400
- 每分钟音频 $0.0025 -- 按秒折算:10 分钟 $0.025,60 分钟 $0.15。时间戳、说话人标签和翻译不另收费
适用场景
配音与旁白
为视频、动画、广告等内容生成专业级配音，支持多种音色。
播客制作
快速生成播客节目的语音内容，支持多角色对话。
有声读物
将文本内容转化为自然流畅的语音，适用于有声书制作。
多语言配音
AI 驱动的多语言配音翻译，帮助内容触达全球受众。
为什么选择 APIMODELS
- 统一 API 接口 -- 一个 API Key 调用所有模型，无需分别注册各平台账号
- 价格透明 -- 按量计费，每个模型页公开单次调用价格，适合小微开发者和初创团队
- 即开即用 -- 注册即可使用,支持支付宝、PayPal、银行卡和 USDT 充值
- 完整文档 -- 提供详细的 API 文档和代码示例（cURL、Python、Node.js）
常见问题
APIMODELS 与 NVIDIA 官方 API 有什么区别？
APIMODELS 通过聚合平台提供与官方相同的 Nemotron 3.5 Transcribe 模型。我们提供统一的 API 接口，无需分别注册各平台账号，一个 API Key 即可调用所有模型。
Nemotron 3.5 Transcribe API 是什么?
Nemotron 3.5 Transcribe 是 NVIDIA 在 2026 年 10 月 28 日发布的开放权重语音模型,Nemotron 3.5 Transcribe API 用它把录好的音频或视频转成文字。它支持 40 种语言的转写并自动识别语种,可以给出词级时间戳和说话人标签(最多区分 8 人),还能在英语和另外 31 种语言之间互译。在 apimodels.app 上,它是 POST /v1/audio/generations 里的一个模型名 nemotron-3.5-transcribe,每分钟音频 $0.0025,任务失败不扣费。
Nemotron 3.5 Transcribe 支持哪些语言?能转写中文吗?
能。转写支持 40 种语言,语种自动识别:英语、中文普通话、日语、韩语、法语、德语、西班牙语、葡萄牙语、意大利语、俄语、荷兰语、波兰语、捷克语、斯洛伐克语、印地语、保加利亚语、克罗地亚语、丹麦语、爱沙尼亚语、芬兰语、匈牙利语、拉脱维亚语、立陶宛语、罗马尼亚语、斯洛文尼亚语、瑞典语、泰语、土耳其语、乌克兰语、阿拉伯语、孟加拉语、希腊语、希伯来语、印尼语、马耳他语、马拉地语、他加禄语、泰米尔语、泰卢固语、越南语。其中 31 种可以与英语互译。不需要传源语言参数。
Nemotron 3.5 Transcribe 接受哪些音频和视频文件?最长多久?
音频支持 MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM,也可以直接传带音轨的 MP4 或 MOV 视频。用 audio_url 传:公网可直接下载的链接,或 data URI。单次最长 60 分钟、最大 200 MB,更长的录音请切开分段提交。读不出时长的文件会在扣费前返回 400。
怎么拿到词级时间戳和说话人标签?
请求里加 timestamps: true。任务结果里照常有全文 text,transcript_url(同时也是 resultUrls[0])指向的完整结果文件会多出 words(每项是 {word, start, end, speaker})、diarization 分段和 text_with_speakers。说话人最多区分 8 人;中文按字返回。我们实测一段 47 秒的两人英文对话,返回 143 个词,每个词都带起止时间和说话人标签。时间戳和说话人标签不另收费。
Nemotron 3.5 Transcribe 能翻译吗?
能。把 target_language 设为 32 个支持的语言代码之一(en、zh、ja、ko、fr、de、es 等),返回的 text 就是译文而不是原文转写。只有一侧是英语时质量才有保证:其他语言译成英语,或英语译成这些语言;两种非英语之间直接互译不保证质量。翻译不能和 timestamps: true 同时使用,同用会返回 400。翻译包含在分钟价里,不另收费。
Nemotron 3.5 Transcribe 支持实时转写或流式输出吗?
不支持。它是对整段录音做离线转写:先建任务,再轮询或等回调。我们实测一段 47 秒、带时间戳的音频大约 4 秒完成,但这只是一次实测,不是延迟承诺,处理过程中也不会边转边推送部分结果。需要实时的双向语音对话,可以用 apimodels.app 上的 Grok Voice 3.0。
Nemotron 3.5 Transcribe 准不准?有哪些已知限制?
它适合录音清晰的语音,有几条限制需要提前考虑:音色相近的说话人可能被合并成一个;词级时间戳的结束时间误差通常在几十毫秒,开始时间可能偏差约 0.5 秒,英文更明显;同一段音频多次转写,个别字词可能不同;中文结果里外国人名常被音译,部分数字可能写成汉字。结果里出现 truncated: true 表示输出到达上限(通常是重复),建议丢弃或人工复核;silent: true 表示几乎没有检测到人声。
Nemotron 3.5 Transcribe 和 Whisper large-v3 比怎么样?
按 NVIDIA 在 2026 年 10 月 28 日技术报告里公布的词错率(WER,越低越好),Nemotron 3.5 Transcribe 在四组对比里都低于 Whisper-large-v3:Open ASR 9 个英文测试集平均 4.71% 对 6.66%;长音频(Earnings21/22 与 CORAAL 平均)10.98% 对 13.92%;AMI 会议录音 7.81% 对 13.63%;7 种语言平均(德、法、意、西、葡、荷、印地)4.62% 对 7.94%。这些是 NVIDIA 公布的数字,对照模型的成绩取自 Hugging Face Open ASR Leaderboard,不是 apimodels.app 的实测。在这三张表里,它是开放权重模型中平均词错率最低的;同一份报告里也有商业系统在长音频和多语种上成绩更好。
NVIDIA Nemotron 3.5 Transcribe 技术报告(表 6、表 7、表 9) ↗Nemotron 3.5 Transcribe API 多少钱?
每分钟音频 $0.0025,也就是每小时 $0.15,按向上取整到秒的音频时长折算。47 秒的音频约 $0.002,10 分钟 $0.025,30 分钟 $0.075,60 分钟 $0.15。词级时间戳、说话人标签和翻译都包含在内,不另收费。金额最小单位是 $0.0001,不足的按 $0.0001 收(约 2 秒以内的音频)。任务失败、或读不出音频时长的请求不扣费。
怎么调用 Nemotron 3.5 Transcribe API、怎么取结果?
在 apimodels.app 注册并创建 API Key,一个 Key、一个美元余额可以调用所有模型。然后发送:curl -X POST https://api.apimodels.app/v1/audio/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "nemotron-3.5-transcribe", "audio_url": "https://example.com/meeting.mp3", "timestamps": true}'。返回里有 taskId,轮询 GET /v1/audio/generations?task_id= 直到 state 为 completed,再对 resultJson 做一次 JSON.parse,读取 text、duration 和 transcript_url。结果文件保留 30 天。
Nemotron 3.5 Transcribe 可以免费试用吗?
符合条件的新账号有 $0.10 试用额度,按每分钟 $0.0025 算,大约够转写 40 分钟音频。之后按量付费,没有订阅,充值最低 $10。本页的体验区可以上传文件或粘贴链接,运行前按音频时长显示预估价格,结果以可复制的文本返回。
Nemotron 3.5 Transcribe 和同类模型相比怎么选？
在 APIMODELS，Nemotron 3.5 Transcribe 与 60+ 个模型共用一个 API Key、一个余额，所以选型只看合不合适，不存在锁定。它支持 Speech to Text、40 Languages, Auto-Detected、Word-Level Timestamps、Speaker Labels (up to 8)、Translation to/from English、Audio or Video, up to 60 min、$0.0025 per Minute，你可以在价格和能力上把它和同属「语音转文字」类的其它模型对比，换模型只需改一个模型名字符串——无需新账号、无需重新对接。「语音转文字」类的全部模型与实时价格见 apimodels.app/models。
Nemotron 3.5 Transcribe 支持哪些能力？
Nemotron 3.5 Transcribe 支持：Speech to Text、40 Languages, Auto-Detected、Word-Level Timestamps、Speaker Labels (up to 8)、Translation to/from English、Audio or Video, up to 60 min、$0.0025 per Minute。完整参数与调用方式见 APIMODELS 的 API 文档。
国内能直接调用 Nemotron 3.5 Transcribe API 吗？需要代理吗？
能直接调用,不需要代理。apimodels.app 和 api.apimodels.app 在中国大陆可以直接访问,注册后用一个 API Key 就能调用 Nemotron 3.5 Transcribe;不用单独注册模型厂商的账号,也不需要海外信用卡,支付宝就能充值。
怎么充值？支持哪些付款方式？
支持支付宝、PayPal、银行卡(Visa、Mastercard 等,经 Stripe 支付),以及 USDT(TRON 链 TRC20 或 BNB Smart Chain 链 BEP20)。支付宝、PayPal 和银行卡付款后即时到账,USDT 在链上转账确认后到账;也可以开启自动充值。单次充 $50 送 $1,充 $100 送 $3。余额按美元计,按量扣费,没有月费。