NVIDIA、40言語対応のオープン音声モデル「Nemotron 3.5 Transcribe」をリリース

NVIDIAは、文字起こし、話者帰属、翻訳、音声質問応答を1つのチェックポイントで処理するオープンウェイト音声モデル「Nemotron 3.5 Transcribe」をリリースした[1]。同社は2026年10月28日、Hugging FaceとModelScopeで利用可能にするとともに、NVIDIAのオープンGranary音声データセットのバージョン2も公開したと述べた[1][2]。

Nemotron 3.5 Transcribeは何ができるか？

NVIDIAのNemotron 3.5 Transcribeは40言語を文字起こしし、そのうち31言語を翻訳し、13言語で話者を特定する。NVIDIAによると、最大1時間の録音を処理し、最大8人の話者にラベルを付けられる[1]。開発者は自然言語プロンプトで出力を制御でき、例えば各話者にラベルを付けたり、録音を英語に翻訳したりするよう指示できる[1]。

言語サポートはタスクによって異なり、音声質問応答は英語のみで訓練されているとブログ投稿で述べられている[1]。TechCrunchは、モデルがライブストリームではなく録音音声で動作すると指摘している[2]。

ベンチマークでのスコアはどうか？

NVIDIAによると、同モデルはEnglish Open ASR Leaderboardでオープンウェイトモデル中1位の平均WER 5.33%を記録した。Artificial Analysisの音声-to-テキスト指数では、NVIDIAは2.8% AA-WERを報告し、オープンウェイトモデルの中で1位タイを獲得した[1]。話者帰属では、David AIの21言語リーダーボードで14システム中最低のダイアライゼーションエラーレートを主張している[1]。

NVIDIAによると、モデルの300億パラメータのうち約40億のみがトークンごとにアクティブである。モデルは音声エンコーダーとハイブリッドMamba-Transformer mixture-of-experts言語モデルを組み合わせ、NVIDIAはこれにより精度対アクティブパラメータの最前線に位置すると述べている[1]。

開発者は適応できるか？

NVIDIAはGranary v2データ、キュレーションパイプライン、NeMo Speechファインチューニングレシピを公開し、開発者がドメイン語彙やアクセントにモデルを適応できるようにした[1]。医療ケーススタディでは、ファインチューニングにより保留話者に対する単語エラーレートが最良プロンプト比で45.8%相対的に低下したとNVIDIAは述べている[1]。

量子化バージョンはRTX Spark、DGX Spark、Jetson AGX Thorでローカル実行可能になる予定で、近日中に登場するとNVIDIAは述べている[1]。

私たちの見解

意見: 文字起こし、話者ラベル、翻訳を1つのオープンなチェックポイントにまとめることは、会議や口述ツールを構築する人にとって有用であり、ファインチューニングレシピはリーダーボード順位よりも重要である。ベンチマークでの勝利はNVIDIA自身の報告によるものなので、実際の雑多な音声での独立したテストが本当の性能を決めるだろう。

検証できなかった点

• ベンチマーク結果；NVIDIAのブログ投稿で報告されており、再実行していない。
• オープンウェイトのライセンス条項；モデルカードのライセンスを確認していない。
• 量子化バージョンの出荷時期；NVIDIAは近日中と述べているのみ。