ニュース
NVIDIA、40言語対応の無償文字起こしAI「Nemotron 3.5 Transcribe」
2026年10月30日 18:07
NVIDIAは10月28日、文字起こしや翻訳、話者分離をサポートしたオープンウェイト(モデルの重み)のAIモデル「Nemotron 3.5 Transcribe」を発表した。文字起こしは40言語、英語との相互翻訳は31言語、話者分離は13言語に対応し、最大1時間の音声を処理できる。ベースモデルはHugging Faceにて公開しており、FP8、NVFP4の量子化モデルも近日公開予定だとしている。ライセンスは「OpenMDW-1.1」で、無償で商用利用も可能。
Nemotron 3.5 Transcribeは、オープンウェイトモデルの中で発言内容を特定する性能でトップ、話者分離においても優れた性能を発揮できるというAIモデル。総パラメータ数は34B(340億)、アクティブパラメータ数は4.3B(43億)のMoE型で、コンテキスト長は6万5,536トークンとなっている。
Hugging Face Open ASRベンチマークでの平均WER(単語誤り率)は、英語で5.33%、7言語で4.62%、長文で10.98%となっており、いずれも競合のオープンウェイトモデルと比べて最も優れた結果を記録した。
加えて、文字起こしや話者分離の性能を測るDavid AI DAI-ASR-I18Nベンチマークでは、オープンウェイトモデルの中で首位、全体でも2位のスコアを獲得した。話者分離のエラー率を測るテストでは、NVIDIAの話者分離向けモデル「Nemotron 3 Diarization」をわずかに上回る性能を発揮し、こちらも首位となった。
スループットの高さも特徴としており、NVFP4量子化モデルを利用したケースでは、NVIDIA RTX PRO 6000 Blackwell Server Edition GPUを1基搭載するマシンにおいて、100時間分の音声を3分未満で処理できたとしている。
モデルはvLLMですでにデプロイできるほか、NeMo-Speech.cppを使ったローカルデプロイは量子化モデルとともに利用可能となる。RTX SparkやDGX Spark、Jetson AGX Thorを使ったオンデバイス文字起こしなどに活用できるとしている。そのほか、新たな音声データセット「Granary v2」も公開している。
