NVIDIA Nemotron 轉錄：逐字稿與整理稿怎麼選，說話者與時間標記如何核對
解析 NVIDIA Nemotron 3.5 Transcribe 的逐字、書面整理、領域脈絡、說話者標記與詞級時間戳記，說明語言、音訊及部署限制，並提供回查原音的驗收方式，分清模型發布與 Android 應用。
- NVIDIA 於 2026 年 10 月 28 日發布 Nemotron 3.5 Transcribe，可依要求選擇逐字、書面整理、領域脈絡及說話者歸屬等輸出；它是語音模型，不是 Android 錄音 App。
- 引用發言時應保留原話；閱讀用整理稿可以清理口語停頓，但不能改變否定、數量、提議或尚未確定的日期。兩種稿件都須保留原音供核對。
- 專有名詞清單只是辨識提示，說話者標記不是身分驗證，詞級時間戳記也可能對齊失敗；關鍵內容仍要回聽，不能靠文字流暢或標記齊全判定正確。
- 支援 40 種語言與最長一小時錄音，不代表所有任務在每種語言都同等可靠；文件中的離線辨識指非串流處理，也不代表一般 Android 手機可斷網執行或 FoneClaw 已整合該模型。
先決定用途，再選逐字稿或整理稿
選錄音轉錄輸出時，先問自己：需要引用原話、閱讀用筆記，還是找出某位說話者的某一段發言？這些用途需要的文字形式不同，不能只用「看起來比較順」判斷哪份稿件較合適。
NVIDIA 於 2026 年 10 月 28 日發布 Nemotron 3.5 Transcribe 的研究與模型。本文於 11 月 4 日核對NVIDIA 官方研究介紹與部署文件：它可依每次要求選擇轉錄形式，不必為了切換輸出風格重新訓練。
| 你的用途 | 優先要求的輸出 | 必須核對 |
|---|---|---|
| 引用訪談或會議原話 | 逐字轉錄 | 用詞、停頓、修正及否定是否保留 |
| 製作容易閱讀的會議文字 | 書面整理形式 | 語句整理後，意思與未決條件是否不變 |
| 辨識人名、產品或專案術語 | 附領域脈絡的轉錄 | 依脈絡辨識出的術語或名稱，是否與原音實際發言相符 |
| 區分多人對話 | 附說話者標記的轉錄 | 發言是否歸給正確聲音 |
| 定位原音片段 | 另要求詞級時間戳記 | 對齊是否成功，位置是否對應原話 |
模型權重與 NIM 推論服務屬於開發、部署元件，不是可直接當成手機錄音工具使用的消費型 App。這次發布也不表示 FoneClaw 已整合 Nemotron，或手機使用者已多出一個可選的轉錄引擎。
原話與閱讀稿分開，不能整理掉否定與保留
以下是為說明差異而撰寫的虛構發言及整理範例，不是模型實際輸出，也不是測試結果：
| 形式 | 示例 |
|---|---|
| 虛構口語原話 | 「呃，我不是說已經核准，只有提議先做二十份；日期，嗯，可能下週五，但還沒定。」 |
| 閱讀用整理稿 | 「我並未表示已核准，只提議先做 20 份；日期可能是下週五，但尚未確定。」 |
整理稿移除了猶豫聲與部分口語重複，並把數量改成書面數字，但保留「未核准」「只提議」「20 份」與「日期未定」。若改寫成「已核准下週五製作 20 份」，就不再是整理，而是更動了發言內容。
正式引用時，應以核對過的原話為準，不把整理稿放進引號冒充逐字引述。閱讀用文字則可以另外保存，清楚標示經過整理。逐字形式不會自動保證辨識正確，整理形式也不一定較不準；兩者的差別首先是用途與保留方式。
原音必須獨立保留。尤其「下週五」這類相對日期，需連同錄音日期理解；原話既然尚未定案，就不能在整理時擅自補成確定的日曆日期。
提供專有名詞脈絡，不替聽不清的地方補答案
Nemotron 的脈絡式轉錄可接受自然語言要求與預期出現的實體名稱清單。對讀者而言，實用的準備不是塞入大量背景資料，而是提供這次錄音可能用到、且允許處理的人名、專案名稱、縮寫與正確拼法。
例如，可以事先整理一份任務要求：「請保留原話中的否定與自我修正；下列名稱只作為拼寫參考，聽不清的地方留待回聽，不依清單補寫。」這是可交給支援該功能之服務的要求示例，不是某個手機介面的操作步驟。
名稱清單只能提供線索，不能證明錄音真的提到某個產品；出現某位參與者姓名，也不能據此把一個聲音標成該人。遇到相近讀音、縮寫或背景噪音，應記下疑點並重聽，而不是因為提示中有答案就直接採用。
官方另外列出豐富轉錄、語音翻譯及語言辨識等任務。它們不等於同一種輸出：翻譯後的句子不是原語言逐字稿，辨認語言也不等於已完成轉錄。提出要求前，先說明需要哪一項，再分別檢查結果。
說話者與詞級時間標記，都要回查原音
附說話者歸屬的文字，有助於閱讀多人對話；詞級時間戳記則能協助定位原音。但「說話者一」只是聲音分組，不是身分驗證，更不是錄音同意或內容真實性的證明。
多人重疊發言時，特別要確認否定句是否被接到另一個人名下。例如，一人提出建議、另一人說「還沒批准」，若歸屬或分段錯誤，就可能讓整段看起來像已獲同意。檢查時應連同前後語境回聽，而不只播放單一詞的位置。
NVIDIA 的 Nemotron 轉錄開發版文件記載，詞級時間戳記要求限單筆音訊、非串流輸出及單一生成結果；目前 DFlash2 推論與 CTC 時間對齊也不能合併使用。服務採用哪些設定，會影響你能否取得所需標記。
CTC 對齊無法完成時，可能回傳 alignment_error。因此，提出時間戳記要求不等於一定有可用結果。若標記缺失、錯位或有對齊錯誤，先保留該狀態，改用原音播放器人工定位；不要替文字補上一個看似精準的時間。
確認語言、音訊格式與長度邊界
官方介紹列出支援 40 種語言、每筆錄音最長一小時。但這不是「所有語言、所有任務都同樣可靠」的承諾。開發文件特別指出，音訊問答與口語指令理解只在英語進行評估，其他轉錄語言尚不能因此視為已有相同可靠度。
對繁體中文使用者，介面或要求使用繁體中文，和來源語音能否正確辨識，是兩件事。先確認實際服務支援的語言與任務，再用自己獲准處理的短片段檢查專有名詞、數字及夾雜外語；不要從語言總數推論所有混語情境都適用。
官方文件列出的音訊輸入為 16 kHz 單聲道。若所選服務需要轉換格式，應先保留未修改的原始檔，再建立轉換副本，記錄兩者關係，避免為了處理格式而失去原音依據。
超過一小時、語言不支援或處理中斷時，先查該服務如何處理限制。不要假設它會自動分段、完整接回，或保留跨段說話者。若另行分段，需自行記錄來源順序與缺漏，再核對接合處。官方研究的基準成績也不能代替你這份錄音的驗收，本文沒有把那些成績當成實際使用結果。
離線辨識不等於手機斷網執行
文件中的離線語音辨識，指整筆音訊以非串流方式處理，不是邊說邊逐字輸出的即時辨識。這個用語本身沒有保證音訊不經網路，也沒有表示模型會在你的 Android 手機上運算。
目前文件所列的服務運行配置包括：BF16 使用 H100 80 GB；FP8 與 NVFP4 的模型卡配置使用 RTX PRO 6000 Blackwell 96 GB，其中 NVFP4 要求 Blackwell。這些是所列部署配置，不是所有實作的通用最低硬體需求，更不是一般手機可執行的證明。
同樣地，發布 GGUF 檔案不等於已確認一般 Android 處理器相容，也不能推論 FoneClaw 可直接載入使用。模型格式、執行環境與應用整合，仍是分開的條件。
若你在意錄音去向，應向實際提供服務的一方確認運算位置、是否上傳、保存多久，以及誰能存取。取得模型檔案，不會自動保證整個流程斷網運作或零留存；部署方式與服務政策才決定這些條件。
交付前驗收，再選適合自己的錄音流程
假設你有一段已取得同意、長 10 分鐘的會議錄音，可以用以下清單驗收。這是建議的讀者操作，不是已執行的模型測試：
- 先選用途：要原話引述、閱讀稿、說話者歸屬，還是定位時間？確認來源語言與服務支援。
- 限定脈絡：只提供相關且獲准使用的名稱與術語，不要求補齊聽不清的內容。
- 抽查關鍵原話：回聽否定、修正、數量、日期及多人重疊片段，逐項對照文字。
- 保留未知：未確認的說話者、負責人、期限與決定，不因句子通順就補上答案。
- 開啟交付檔案：確認保存的是需要的版本，原音仍可取得，時間標記及缺漏狀態有清楚註明。
若還沒分清自己需要的是聽寫、指令還是錄音後處理，可先看Android 語音指令、聽寫、AI 改寫與錄音轉錄：四種輸出怎麼選，避免把不同工作交給同一種輸出。
對於未來直接用 Android 錄下的個人內容，我們的FoneClaw Voice Notes 語音紀要是另一條原生錄音路線：在相容 Agent 中錄音、暫停、繼續、保存及命名，再查看逐字稿、摘要與章節。至少兩筆已保存的原生錄音可組成合集，重用既有逐字稿。這不表示可選用 Nemotron，也不繼承它的 40 種語言或時間對齊能力；任意外部音檔匯入也不在此流程內。
重新摘要會更新生成的行動項目，同時保留已實際保存的待辦。若要把其中一項變成個人待辦，仍須另提受支援的保存要求，有明確日期才填日期，沒有就保留未排程，並查看真正保存的紀錄；摘要文字本身不是已建立的任務。
Voice Notes 外掛免費，但 Agent、模型處理與權限條件仍須分開確認，不保證所有處理免費或全程離線。Full APK 可在符合設定與權限條件下使用 APK 外掛，Play Lite 不安裝 APK 外掛，詳見FoneClaw 國際版 Agent 功能與版本說明。
單筆錄音的核對方法可參考Android AI 錄音轉寫摘要：快速錄音、逐字稿校正與筆記整理；需要整理多次原生錄音時，再依FoneClaw 錄音合集專案回顧：從多次會議整理決議、變更與待辦建立合集。最後交付哪一份稿，應由用途與原音核對決定，而不是由模型名稱或文字的流暢程度決定。