Hugging FaceやModelScopeからモデルをダウンロードして利用できます。多言語音声処理の精度を確かめてみてください。
10/29時点の判定。発表内容から編集部AIが判定しています。最新の提供状況は公式情報をご確認ください。
米NVIDIAは、公式ブログにて多言語音声認識モデル「NVIDIA Nemotron 3.5 Transcribe」を発表した。文字起こしや話者識別、翻訳、音声対話を1つのモデルでこなせるオープンウェイトのAIで、Hugging Faceなどで公開されている。
写真はイメージです。写真: VIA Gallery from Hsintien, Taiwan / Wikimedia Commons（CC BY 2.0・トリミング）
かんたん版：専門用語を使わずに説明しています
NVIDIAが公開した「Nemotron 3.5 Transcribe」は、録音された音声を文字に直したり、誰が話したかを分けたりできる、最先端の音声AIモデルです。
これまでの音声認識は、文字起こしをするツール、話した人を分けるツールと分かれていることが多くありました。このモデルは、1つのAIで「文字起こし」「話者分け」「翻訳」「音声への質問への答え」をまとめてこなせます。40の言語に対応しており、英語のオープンモデルの精度を競う場ではトップクラスの成績を残しています。
アプリやサービスを作る開発者や研究者にとって、音声認識の精度を大きく高めるための強力な選択肢になります。オープンモデルとして重みが公開されているため、自分の環境や目的に合わせて調整して使うことができます。
Hugging FaceやModelScopeというAI開発者向けのサイトから、モデルの重みデータをダウンロードできます。ローカル環境やNVIDIA製GPUを使って動かすことが可能です。
米NVIDIAは公式ブログにて、多言語音声認識モデル「NVIDIA Nemotron 3.5 Transcribe」を発表しました。これは文字起こしや話者識別、翻訳などを1つのモデルで処理できるオープンウェイトのAIです。開発者は自然言語で出力をガイドできます。用途に合わせてカスタマイズすることも可能となっています。
編集部の見立てでは、単なる高精度な文字起こしモデルに留まりません。プロンプトで挙動を柔軟に変えられる点が最大の実用上の強みと言えます。本モデルは録音された音声を取り込み、有用なテキストへ変換する機能を持ちます。
NVIDIAは音声処理技術の新たなオープンモデルを発表しました。それが「NVIDIA Nemotron 3.5 Transcribe」です。訓練データ構築パイプラインの「Granary v2」も同時に公開されました。これらはHugging FaceおよびModelScopeを通じて提供されています。
本モデルは音声をテキスト化するだけではありません。複数のタスクを統合して処理できる点を特徴としています。主な仕様は以下の通りです。
開発者はプロンプトを使って出力をガイドします。これでアプリケーションが必要とする形式に合わせることができます。音声の処理場所を選択することも可能です。ドメインの語彙やアクセントに適応させることができます。
これまでの音声AIには課題がありました。文字起こしや話者ごとの識別、翻訳などを別々のステップやモデルで処理するのが一般的でした。本モデルでは1つのチェックポイントにこれらが統合されています。自然言語の指示（プロンプト）によって出力を切り替えることが可能です。
会議の録音データがあるとします。ここから議事録の作成や話者のラベル付け、翻訳などを1つのモデルで実行できます。音声質問応答タスクにも対応しています。
ユーザーは自然言語で指示を与えられます。「この音声を文字起こしして各話者をラベル付けしてほしい」や「英語に翻訳してほしい」と指示できます。専門用語や医療用語などのコンテキストをあらかじめ指定することも可能です。これにより誤認識を防ぐアプローチをサポートしています。
医療現場の事例を見てみます。専門用語の候補をプロンプトで指定して精度を高めることが可能です。単語レベルのタイムスタンプも取得できます。
音響特徴量と言語モデルが組み合わされています。これにより複数人が同時に話すオーバーラップした会話や早口な対話であっても対応できます。話者の割り当てを高精度で行うことが可能です。
本モデルは生成の段階で話者の手がかりを言語モデルに伝える仕組みを持ちます。これにより後から話者を結びつける従来の手法とは異なるアプローチを実現しています。
公開されたベンチマーク結果があります。これによるとオープンモデルの枠組みの中で高い精度を記録しています。
本モデルはオープンウェイトモデルの英語長文や多言語の指標でも上位に位置します。話者識別の評価でも低い誤り率を維持しています。
音声認識や音声処理の分野では動きが活発です。各社が独自のAPIやオープンモデルを展開しています。編集部の見立てでは、本モデルには強みがあります。「オープンウェイトの枠組みで商用APIにピッタリな精度を持ち、かつプロンプトで挙動を細かく制御できる」点で競合に対して優位性を持っています。特にパラメータ数と精度のバランスにおいて効率的な設計がなされている点が特徴です。アクティブパラメータは約4Bとなっています。
本モデルはハイブリッドなMambaとTransformerの混合専門家モデルを採用しています。これにより全体パラメータが約30Bであってもアクティブパラメータを約4Bに抑えています。
モデルの重みやデータパイプラインはオープンソース（オープンウェイト）として公開されています。Hugging FaceやModelScope上で無償で公開されています。実行には対応するNVIDIA製のGPU環境が必要です。そのためクラウドサービスやローカルサーバーの利用コストが別途発生します。元記事内や公式発表において、直接的なAPI利用料金についての言及はありません。
本モデルはDGX SparkからBlackwellまでの単一GPUで稼働します。商用利用を含めて公開された規約に従う必要があります。
日本から利用可能です。Hugging Faceなどのプラットフォームにアクセスできる環境があれば誰でもモデルをダウンロードして試すことができます。日本語の音声認識や処理が含まれています。ただしタスクごとの言語サポート状況はモデルカードに記載されているマトリクスを確認する必要があります。
40言語のサポート範囲に含まれる言語について確認できます。ローカル環境やインフラ上で実行可能です。利用時は出力結果の確認が推奨されます。
vLLMやNeMo-Speech.cppを利用できます。モデルを自身のインフラにデプロイすることが可能です。音声文字起こし機能をアプリケーションに組み込めます。Granary v2のパイプラインを使って自社データによるファインチューニングを行うことも可能です。
本モデルはリアルタイム配信には向いていません。録音された音声の処理に適しています。開発者は独自の音声データや公開コーパスを組み合わせてモデルを適応させられます。
様々な業務での活用が考えられます。会議の議事録作成やカスタマーサポートの音声解析、多言語コンテンツの文字起こしといった業務です。高精度な音声AIを自社システムの一部として検討する材料になります。
教育プラットフォームの事例が参考になります。授業の録音と再生画面を同期させるような機能を構想できます。ユーザーの利便性を高めるアプリケーション設計に活用可能です。
外部の有料音声APIに依存せずに済みます。自社環境でセキュアに大規模な音声処理を行える選択肢となります。AIインフラのコスト効率を見直すきっかけになります。
本モデルはエッジ環境からデータセンターまで単一のGPUで運用できます。こうしたスケーラビリティが確保されています。システム全体の投資対効果を評価する基準になり得ます。
NVIDIA Nemotron 3.5 Transcribeは優れたモデルです。音声認識と話者識別を高水準で両立させた実用的なオープンモデルと言えます。まずはHugging Faceのモデルページを確認してみましょう。そして自身の開発環境で動作を検証してみることを推奨します。
高品質なデータセットや訓練用のレシピも公開されています。ドメイン特有の語彙への適応も視野に入れられます。
前日に出た記事から大きな発表を選び、1本2行でまとめてメールで届けます。無料・いつでも解除できます。
主要企業の大きな発表だけ、1日4回まで。夜22時〜朝7時は鳴らしません。いつでも解除できます。
本記事は公式発表の文章をもとにAIが要約・解説して自動生成したものです。誤りが含まれる可能性があるため、正確な仕様・料金は公式発表をご確認ください。元記事を読む（解析モデル: gemini-3.5-flash-lite）制作方法と事実確認の手順は編集方針をご覧ください。誤りのご指摘はお問い合わせから受け付けています。
Googleが新AIモデル「Gemini 4 Carbon」を発表。弱点の発見88.2%、修正71.0%と防御の流れで最高水準をうたう。提供はまず一部の専門家向けで、料金は100万入力トークン2ドル。
ChatGPTのOpenAIが発表したサイバーセキュリティ支援「Daybreak」の概要を解説。脆弱性調査を数時間から数分に短縮する仕組みや、Check Point社の導入事例を紹介します。
MicrosoftのAIエージェント「Cowork」がアップデート。営業や法務など4つの職種に特化したスキルと、外部アプリ連携機能が追加されました。定型業務を効率化する新機能の詳細と使い方を解説します。
AWS Machine Learning Blogで公開された、Amazon BedrockにおけるAIモデル評価バイアスの修正手法とプロンプト最適化の仕組みを解説します。
