以后的会还得开，但记录不用出门了

2026-10-29 · 人工智能

前天下午开了个会，四十分钟，八个人。散会以后我盯着录音文件发了会儿呆：这段东西得先传到某个云端，转成文字，再找人分清楚谁说了什么，最后翻译给不在场的同事。

三个模型，三段流程，三份账单。

10 月 29 日，英伟达发了个模型，把这三件事捏成一个。叫 Nemotron 3.5 Transcribe，权重开放，谁都能下。

用法挺朴素，不用写代码，直接跟它说人话：把这录音转成文字，标上谁在说。把它翻成英文。这场会做了哪些决定。三句指令，一个模型。它管 40 种语言，里面有 7 种印度语系——这一点挺重要，因为很多语音模型对小语种基本是放弃状态。

榜上排得也不难看：Hugging Face 的开放语音识别榜第一，Artificial Analysis 开放权重榜第二。有意思的是参数量——激活 43 亿，比那个第一名的开放模型少了八成。换句话说，它不是靠堆大，是靠算得省。

然后是最实际的一条：权重放出来了，BF16、FP8、NVFP4 三种格式，能在 RTX Spark 笔记本、DGX Spark、Jetson AGX Thor 和 RTX 5090 上本地跑。也就是说，那段四十分钟的会议录音，可以一步都不离开这台电脑。

我们公司这两年开会用腾讯会议，录音默认上云。IT 部门的人每次都要解释一遍数据在哪、存多久、谁能看。解释得很辛苦，听的人也不太信。现在有个东西能放本地，那些解释可以少说一半。

不过话说回来。技术解决的是「录音去哪」，不是「会该不该开」。

我算了一下，上周我参加的会里，有三个是完全可以用一封邮件代替的。八个人，每人四十分钟，加起来五个多小时——这些时间原本可以用来干点别的，比如把那个拖了半个月的表格做完。

现在有了这东西，会开完，记录马上就有了，谁说的话一字不差，翻译也现成。听起来效率提高了。但我担心的是另一件事：记录变得这么容易，会不会有人开始要求每场会都留档、都要纪要、都要双语？

那样的话，我们省下来的是整理时间，多出来的是开会理由。

昨天下午我把那段录音试着转了一下。机器把每个人的名字都标对了，只有一处错——把「这个方案」听成了「这个方二」，因为说话的人当时在喝水。

我盯着那个「方二」笑了半天。它不知道那是喝水的声音。它只知道，这里有个音。

会还是得开，人还是得说话，杯子还是会碰桌子。这些它都管不了。它只管把话记下来，记得比我们准。