NVIDIA 在 10 月 28 日於 Hugging Face 博客發文，公布 Nemotron 3.5 Transcribe 與 Granary v2 兩個模型，官方把它們定位為「可提示、可調適」的多語言轉錄工具。博客正文節錄相當簡短，模型參數量、準確率、延遲與授權條款細節，一律未有披露。

對企業而言，這次公布的關鍵不在帳面分數，而在於轉錄可以靠提示調調節。用家理論上可自行加入公司術語、地名人名，令輸出更貼近實際場景——但這些能力有幾成真的落地，仍要看 NVIDIA 之後公開的技術文件與評測。

轉錄模型加入提示調節

Nemotron 3.5 Transcribe 的核心賣點，是轉錄過程可以「提示」。用家可以在輸入時加入詞彙或語境提示，讓模型按指定方向輸出，而不是只靠預設語言模型硬猜。這個設計對術語密集的場景特別有意義，例如會議紀錄裡的公司名稱、產品代號。

不過，博客正文節錄沒有交代提示的具體格式，也沒有說明提示長度上限、是否支援逐句指定，抑或只能整段套用。這些細節決定提示功能是實用工具，還是宣傳用語。NVIDIA 暫未在節錄中回應。

另一個未確定之處，是準確率與延遲。素材完全沒有提供任何數字，連測試語種清單都未見。企業若打算用於客服中心或會議紀錄，必須自行以真實錄音測試，不能單靠官方定位作採購依據。

Granary v2 的角色

Granary v2 與 Nemotron 3.5 Transcribe 同批發布，屬同一系列的第二版。素材只確認它與轉錄模型一併登陸 Hugging Face，開發者可以即時下載試用，但沒有說明它的具體功能分工，也沒有交代與上一版之間的差異。

名字叫「第二版」，本身就暗示第一版曾經存在，但素材未提第一版的發布日期、用途或評價。Granary v2 究竟是配套的語言模型、後處理工具，抑或另一個獨立轉錄元件，現階段無法從節錄判斷。

可以確定的是發布渠道：兩個模型都放在 Hugging Face，開發者毋須申請即可取得。對想先做概念驗證的團隊，這是低門檻的起步點；但由下載到正式部署之間，仍隔著授權條款與合規審查兩關，而這兩點素材都未交代。

企業自訂詞彙的實際價值

可提示設計的實際價值，在於企業可以把自家術語寫進提示，而非被動接受模型預設詞彙。NVIDIA 在 10 月 28 日於 Hugging Face 博客發布 Nemotron 3.5 Transcribe，明確定位為「可提示、可調適」的轉錄工具。對跨語言會議、客服錄音、媒體字幕等場景，這意味着用戶可以文字指令指定語言、格式或專有名詞，減少人手校對。

但素材未披露模型的參數量、準確率與延遲表現，企業難以將它與現有商用轉錄服務直接比較。換句話說，自訂詞彙的價值目前只停留在設計層面，未有量化數據支撐。香港企業若處理粵語、英語、普通話夾雜的會議錄音，實際準確率提升多少，仍然未知。

另一個未確定之處，是提示調節對延遲的影響。轉錄模型加入提示後，推論時間可能增加，但 NVIDIA 未在博客中交代。對於客服中心這類要求即時轉錄的場景，延遲與準確率同樣關鍵。企業在試用時，需要自行量度這兩項指標，而非單看發布公告的定位描述。

開源路線的取捨

NVIDIA 把 Nemotron 3.5 Transcribe 與 Granary v2 放到 Hugging Face，開發者可即時下載，企業亦可在自家伺服器部署。這降低了試用門檻，尤其對資料敏感的行業，例如法律與醫療，本地部署可以避免錄音上傳至第三方雲端。香港企業若自行部署，理論上可控制資料存放位置，但實際合規安排仍須按《個人資料（私隱）條例》自行評估。

不過，素材未交代模型是否允許商業使用，部署前須自行核實授權條款。開源模型常見的授權限制，包括禁止商用或要求衍生作品同樣開源，這些都會影響企業的採用意願。NVIDIA 在博客中未有說明授權細節，企業法務部門需要直接查閱模型卡或授權文件，不能假設「開源」等於「可自由商用」。

多語言覆蓋範圍與粵語支援程度，同樣未在素材中說明。Granary v2 屬該系列第二版，但博客只確認它與轉錄模型一併發布，沒有交代功能分工或與上一版的差異。香港市場長期面對粵語混碼的轉錄難題，法庭、立法會與客服中心都關注準確度。這類可提示調適的開源模型能否應付，仍待本地機構實測驗證，目前未有公開評測結果。

NVIDIA 這步棋的真正賣點，不是帳面準確率，而是企業能否自訂詞彙與語言。可提示設計讓用戶把公司名稱、產品代號寫進指令，理論上減少人手校對。但素材未披露準確率、延遲與授權條款，企業難以判斷實際回報。開源路線降低試用門檻，同時把驗證責任轉移到用家身上。

香港企業若考慮採用，應先釐清三個問題：模型授權是否允許商用、粵語混碼的實際表現、以及本地部署的合規安排。NVIDIA 未公布這些細節，本地機構亦未有公開評測。在數據不足的情況下，與其追逐發布公告的定位，不如先做小規模測試，量度自家場景的準確率與延遲，再決定是否投入資源。