MetaPatchAI home
AI

NVIDIA Nemotron 3.5 Transcribe：40言語を文字起こしし、誰が何を言ったかも識別するオープン音声モデル

出典：NVIDIA

MetaPatchAI編集部まとめ · 公開 、5:05（ET）

NVIDIA Nemotron 3.5 Transcribe: An Open Speech Model That Transcribes 40 Languages and Labels Who Said What

2026年10月30日：NVIDIAは10月28日（水）、Nemotron 3.5 Transcribeを公開しました。文字起こし、話者ラベル付け、翻訳、音声に関する質問応答を1つのチェックポイントにまとめたオープンウェイトの音声モデルです。Hugging FaceとModelScopeで入手でき、Granary v2というオープンなデータパイプラインも同時に公開されています。

できること

Hugging FaceブログでのNVIDIAの発表によると、Nemotron 3.5 Transcribeは：

  • 40言語の文字起こし,うち31言語は英語との相互翻訳、13言語では話者の識別に対応.
  • 入力として自然言語のプロンプトを受け付けるため、1つの録音からさまざまな出力が得られます。「文字起こしして話者ごとにラベルを付けて」という指示、翻訳、あるいはプロンプトに専門用語を挙げておけば正しく表記する文字起こしなどです。
  • 対応機能：単語単位のタイムスタンプ.
  • 想定用途：ライブ配信ではなく録音済みの音声.

NVIDIAによると、すでにvLLMで提供でき、量子化版やNeMo-Speech.cppによるローカル展開にも対応します。

NVIDIAが公表している数値

以下はNVIDIAが記事で示している自社の数値です：

  • Hugging Face Open ASR Leaderboard（英語）：オープンウェイトモデルの中で1位、平均単語誤り率（WER）5.33%。多言語：7言語の平均WER 4.62%。長尺音声：10.98%。
  • Artificial Analysis：オープンウェイトモデルの中で同率1位、AA-WER 2.8%。アクティブパラメータは約4Bで、並んだモデルの24Bに対して大幅に少ない規模です。
  • 話者識別：David AIのリーダーボードで21言語にわたる話者ダイアライゼーション誤り率18.26%（テストされた14システム中で最も低い値）、VoiceArenaの14システムによる英語ベンチマークでcpWER 32.4%。
  • 速度：RTX PRO 6000 Blackwell Server Edition GPU 1基で100時間分の音声を3分未満で処理。今後提供予定のNVFP4量子化版を使い、30秒のクリップを高い並列度で処理して計測した値です。

クリエイターとゲーマーにとっての意味

配信者、YouTuber、コミュニティマネージャーにとって、録音済み音声に字幕を付け、話者のタグ付けまで1回で済ませられるオープンモデルはすぐに役立ちます。VODやクリップの字幕、ポッドキャストやDiscord録音の検索可能な書き起こし、多言語字幕などです。ウェイトがオープンなので、有料APIではなく自分のハードウェアで動かせます。NVIDIA自身の助言どおり、名前、話者の切り替わり、回答は録音と照らして確認しましょう。

ライブ字幕ツールではありません。NVIDIAは録音済み音声を対象としているため、配信のリアルタイム字幕は現時点では対象外です。

Granary v2

NVIDIAはGranary v2も公開しました。学習に使われた多言語データとキュレーションのパイプラインで、NeMo Speechのファインチューニング用レシピも付いています。医療分野のケーススタディでは、ファインチューニングにより未学習の話者での単語誤り率が45.8%下がったとNVIDIAは述べています。VoxPopuliデータセットでは、高忠実度フィルターにより欧州22言語の354,000時間が111,000時間に絞り込まれました。

確認済み／未確認の情報

確認済み（NVIDIA、2026年10月28日）： - Hugging FaceとModelScopeでオープンウェイト公開。Granary v2のデータとパイプラインも公開。 - 言語カバー範囲（40 / 31 / 13）と上記のリーダーボード順位（NVIDIAの発表による）。

未確認： - 速度の数値の第三者による再現（NVIDIAが「今後提供予定」とする量子化版を使用）。 - 正確なライセンス条件と、一般向けGPUで必要なメモリ量（記事では触れられていないため、モデルカードを確認してください）。

出典

関連記事

上へ：AI