- Nvidiaが無償・オープンウェイトの文字起こしモデル「Nemotron 3.5 Transcribe」を公開
- 最大40言語の文字起こし、31言語の英語との相互翻訳、最大8話者の識別に対応
- 300億パラメータで単一チップ動作。ただし録音音声のみでライブ配信は非対応
何が公開されたのか
米Nvidiaは水曜日、音声を最大40言語で文字起こしする「Nemotron 3.5 Transcribe」を公開した。無償で提供されるオープンウェイトのモデルで、同社が公開している音声データセット「Granary」のバージョン2も同時に発表している。
Nvidiaによると、同モデルは31言語について英語との相互翻訳に対応し、最長1時間の録音を扱え、最大8人の話者を聞き分けられる。Hugging Faceの「Open ASR Leaderboard」を含むベンチマークで競合を上回ると同社は主張しているが、これはベンダー側の発表であり、第三者による検証結果ではない点には留意したい。
単一チップで動く規模
Nemotron 3.5 Transcribeは300億パラメータのモデルで、単一のチップ上で動作するとされている。Nvidiaはロボティクス向け制御チップ「Jetson AGX Thor」、新型ラップトップ向けの「DGX Spark」、データセンター向けのBlackwell世代のチップを例に挙げている。
開発者はこのモデルに加え、更新されたGranaryデータセットや「NeMo Speech」などのツールを組み合わせ、業界特有の用語を各言語で認識できるようアプリをカスタマイズできるとしている。Nvidiaのオープンウェイト音声モデル群には11億パラメータの小型モデル「Parakeet」も含まれており、今回のモデルはより大きな規模のものとして加わることになる。
想定用途と競合の動き
想定されている用途は、会議の議事録作成や医療の文字起こしなど、AIが職場で比較的早くから定着してきた領域だ。Nvidiaはこうした業務アプリを開発する開発者を主な対象に据えている。
音声AIのモデル公開が相次ぐ時期でもある。Mistralは今月「Voxtral 3」を投入し、ElevenLabsは音声エージェント向けのリアルタイム音声機能「Realtime」を発表、Salesforceも音声モデル「Launa-Omni」を公開している。
現時点の注意点
注意したいのは、Nemotron 3.5 Transcribeが録音済みの音声のみを対象とし、ライブ配信の音声には対応しない点だ。リアルタイムの字幕生成やコールセンターの逐次文字起こしといった用途には、そのままでは使えない。
また、対応する40言語の内訳や日本語の認識精度、ベンチマークの詳細な数値は原文では明らかにされていない。ライセンス条件も「無償・オープンウェイト」という説明にとどまっており、商用利用の可否を含めた確認は今後の情報公開を待つ必要がある。
| 項目 | Nemotron 3.5 Transcribe | Parakeet |
|---|---|---|
| パラメータ数 | 300億 | 11億 |
| 提供形態 | 無償・オープンウェイト | オープンウェイト(Nvidiaの音声モデル群の一つ) |
Nvidia says developers can use the model, the updated Granary dataset, and tools like its NeMo Speech model to customize apps to recognize an industry's jargon in each language.
Nvidiaによると、開発者はこのモデル、更新されたGranaryデータセット、そしてNeMo Speechのようなツールを使い、各言語で業界特有の専門用語を認識できるようアプリをカスタマイズできる。
今後の見通し
今後は、40言語の内訳や日本語の認識精度、ベンチマークの詳細が公開されるかが焦点になる。ライセンス条項が明確になれば、商用導入の可否を判断できる。ライブ音声への対応時期も実務では重要な判断材料だ。MistralやElevenLabs、Salesforceも相次いで音声モデルを投入しており、文字起こし精度と実行コストの比較が進むとみられる。Hugging FaceのOpen ASR Leaderboardの動向は、各社の主張を第三者的に比べる材料になる。
日本の開発者・IT企業にとっての意味
日本のIT企業にとっては、会議議事録やコールセンター分析、医療カルテ作成といった音声認識機能の内製化で、選択肢が一つ増えることを意味する。オープンウェイトで単一チップ動作となれば、音声を外部クラウドに送れない案件や、Jetson搭載のエッジ機器での処理も検討できる。ただしライブ配信には非対応のため、リアルタイム文字起こしには別途ストリーミング対応の音声認識を併用する構成が必要になる。日本語を含む40言語の内訳や精度、ライセンス条件は原文で明らかにされておらず、PoCの前に確認が要る。
気になる点
- 日本語には対応しているのか
- 原文では「最大40言語」としか書かれておらず、対応言語の一覧は明らかにされていない。日本語が含まれるかは現時点で公表されていない。31言語について英語との相互翻訳ができるという説明から、何らかのアジア言語が含まれる可能性はあるが、確認は今後のドキュメント公開を待つ必要がある。
- リアルタイムの文字起こしに使えるか
- 使えない。原文には「Transcribeは録音済み音声で動作し、ライブ配信には対応しない」と明記されている。会議のライブ字幕やコールセンターの逐次文字起こしには、ストリーミングに対応した別の音声認識モデルを組み合わせる必要がある。
- 商用利用や料金はどうなっているか
- モデルは「無償かつオープンウェイト」と説明されているが、商用利用を含む具体的なライセンス条項は原文に記載がない。導入前には配布元のライセンス条件を確認する必要がある。学習データまで含めて公開されているかも原文では触れられていない。
用語解説
- オープンウェイト
- 学習済みの重み(パラメータ)が公開されているモデル。ソースコードや学習データまで公開されるとは限らない。
- パラメータ
- モデル内部が持つ数値のことで、規模の目安。大きいほど一般に表現力が高いが、計算資源も多く必要になる。
- ASR
- Automatic Speech Recognitionの略。音声をテキストに変換する技術全般を指す。
- NeMo Speech
- Nvidiaが提供する音声AI向けのツール群。モデルのカスタマイズなどに用いる。
出典
Voice AI in vogue: Nvidia releases new open transcription model
https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する