NVIDIAが最新の音声認識モデル「Nemotron 3.5 Transcribe」を公開
NVIDIAは現地時間2026年10月28日、高性能な多言語文字起こしAIモデル「Nemotron 3.5 Transcribe」を公開しました。このモデルはオープンウェイト（open-weight）として提供されており、開発者コミュニティで広く用いられているHugging FaceおよびModelScope上で利用可能です。音声からテキストへの変換にとどまらず、話者識別や自動翻訳、さらには音声に関する質疑応答までを1つのモデルで処理できる柔軟性を備えています。
Nemotron 3.5 Transcribeの主な仕様と特徴
発表された仕様によると、Nemotron 3.5 Transcribeは高度なアーキテクチャ設計と実用性を兼ね備えています。主な技術的スペックと機能は以下の通りです。
- モデル構造と規模：総パラメーター数340億・アクティブパラメーター数43億のMoEモデルです。これにより計算資源の消費を抑えつつ高い表現力を維持しています。
- 対応音声・言語数：最長1時間の音声ファイルを入力して文字起こし可能で、日本語を含む40言語に対応しています。
- 日本語の対応精度：日本語の精度はProduction-ready(製品化可能な精度)です。
- 多機能な機能統合：単一のチェックポイント（モデルデータ）において、文字起こし（transcription）、話者識別（diarization）、翻訳（translation）、音声に関する質問応答（audio question answering）の各タスクをこなすことが可能です。
- 話者識別と翻訳機能：話者識別は13言語で最大8人までの同時発話を正確に判別・割り当て可能です。また翻訳機能については、31言語において英語との相互翻訳をサポートしています。
- 提供ライセンス：ライセンスはOpenMDW-1.1です。
なぜ重要か：単一モデルでの高度な多機能化と実用精度の到達
文字起こしAIの分野では、従来「音声認識」「話者識別（誰が喋ったかの特定）」「翻訳」といった工程ごとに別々の専用モデルを組み合わせることが一般的でした。しかし、Nemotron 3.5 Transcribeはこれらを単一のチェックポイントで統合処理できる指示入力（promptable）可能な設計となっています。
また、総パラメーター数340億でありながら、MoE構造によってアクティブパラメーター数が43億に抑えられている点も特徴です。これにより、モデル全体の表現能力を確保しながら効率的な処理を両立させています。特に、多人数が入り交じる会話において最大8人の話者を分離・特定できる能力や、日本語で「Production-ready」と評価される水準の精度を達成している点は、実務的なアプリケーションへの応用において重要なポイントとなります。
利用者・開発者・企業への影響と活用シナリオ
Nemotron 3.5 Transcribeの登場は、音声処理システムを開発するエンジニアや企業にとって大きな利点をもたらします。
1. 複雑な会議録作成の自動化
最大8人の話者識別が可能なため、複数人が対話する会議や議論の録音から「誰が何を話したか」を高精度に分離して議事録化するシステムを構築しやすくなります。最長1時間の音声を一度に入力できる点も長時間のミーティング処理に適しています。
2. システムの簡略化と日本語ローカライズ
文字起こし・翻訳・話者特定を別個のAPIやパイプラインで接続する必要がなく、1つのオープンウェイトモデルで完結させられるため、開発運用コストを削減できます。日本語精度が製品化レベルであることも、国内ビジネス向けのツール開発に直結します。
未確定点と運用の留意事項
現在確認されている事実に基づくと、モデルの公開形態や基本仕様、対応言語数などは明確に示されていますが、実際のシステム構築における推奨GPU動作環境や最小ハードウェア要件などの詳細仕様については検証事実から確認できません。オンプレミスや独自のクラウド環境にデプロイする際は、ハードウェア要件の検証が重要となります。
まとめ
NVIDIAが公開した「Nemotron 3.5 Transcribe」は、MoEアーキテクチャの採用により効率と精度を両立させたオープンウェイトの最新音声AIモデルです。日本語での実用精度をはじめ、最長1時間の音声処理、最大8人の話者識別、翻訳機能などを単一モデルでこなす多機能性を備えており、今後の音声認識ソリューション開発における有力な選択肢となるでしょう。
コメント