NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

NVIDIA、日本語対応の音声認識モデル「Nemotron 3.5 Transcribe」を公開――1時間・8話者までの録音を指示で文字起こし

NVIDIAは2026年10月28日、日本語を含む40言語に対応した音声認識・翻訳モデル「Nemotron 3.5 Transcribe」の重みと学習ツールを公開しました。録音ファイルを対象とするオフライン型で、最大1時間・最大8話者の音声について、逐語や話者別といった出力形式を自然言語の指示で選べます。あわせて48言語・46万時間超のラベルデータ「Granary-v2」を公開しました。モデルのライセンスはOpenMDW-1.1です。

モデルの名称はNemotron 3.5 Transcribe 30B-A4Bです。モデルカードでは総パラメータ数は34B、音声エンコーダーを含む稼働パラメータは約4.3Bと説明されており、名称の数値と総数は一致しません。Mamba-2とTransformerを混ぜた混合エキスパート(MoE)構造に、凍結した話者分離モデルの出力を組み込むことで、話者別の文字起こしを1つのモデルで行います。ベンチマークでは日本語の文字誤り率(CER)がFLEURSで4.42%、CoVoST2で10.61%と報告されています。日本語はASR、翻訳、コードスイッチ、話者識別が「Production-ready」の区分です。

図解モデルの主要な仕様
  • 対象音声

    仕様
    40言語
    備考
    最大1時間・65,536トークン
  • 話者数

    仕様
    最大8
    備考
    話者別出力に対応
  • パラメータ

    仕様
    総数34B
    備考
    稼働は約4.3B
  • 動作方式

    仕様
    オフライン
    備考
    リアルタイムのストリーミングASRではない

NVIDIAのモデルカード(Hugging Face)と研究発表(2026-10-28)による。40言語は全タスクが同品質という意味ではない。

出力の形式(逐語、書き言葉に整えた形式、専門用語のヒント付き、話者別など)はリクエストごとの自然言語の指示で選べます。単語単位のタイムスタンプ、音声翻訳、話された言語の識別も同じモデルが行います。重みの公開形式はBF16、FP8、NVFP4とGGUFです。微調整用のツールキットNeMo Speechとともに、17タスクを単一GPUで0.5〜2.3GPU時間という条件で追加学習できると報告されています。

速度の数値には注意が必要です。NVIDIAの最適化済みNIMでは、RTX PRO 6000 Blackwell GPU 1枚で秒間最大2,238秒の音声を処理したという測定値が公開されていますが、これはNVFP4とDFlash2の推測復号を使った同社構成の値で、公開されているオープンソース実装には同等の最適化は含まれません。ベンチマークの数値もNVIDIA報告の指定条件下のもので、現場の録音に対する誤り率を保証するものではありません。

あわせて公開されたGranary-v2は、48言語・16のコーパス由来で46万3,062時間分のラベルと指示ペアのデータセットです。研究資料で説明される処理全体は約84万3,600時間に上りますが、公開されるのはラベルで、音声そのものは各コーパスの提供元から別途取得します。コーパスごとのライセンスも個別に適用されます。

出典

  1. NVIDIA Research「Nemotron 3.5 Transcribe: Intelligent Transcription with a Speech LLM」(2026-10-28)音声エンコーダー+凍結話者分離モデルを組み合わせた構成、40言語・最大1時間の録音、話者別・逐語・整形済みなどの出力指示、OpenMDW-1.1での公開、NeMo Speechの微調整ツール、BF16/FP8/NVFP4のチェックポイント、17タスクの追加学習0.5〜2.3GPU時間を確認
  2. NVIDIAモデルカード「NVIDIA-Nemotron-3.5-Transcribe-30B-A4B」(Hugging Face)総パラメータ34B(稼働4.3B、音声エンコーダー込み)、Mamba-2-Transformer混合MoE、1時間・65,536トークン、最大8話者の混合構成、日本語がProduction-ready(ASR/翻訳/コードスイッチ/話者識別)、FLEURS CER 4.42%・CoVoST2 10.61%、オフラインでストリーミングASRではない注意書き、NIMの2,238秒/秒(NVFP4+DFlash2)とOSS実装に最適化が含まれない旨、ライセンスOpenMDW-1.1を確認
  3. NVIDIA Research「Granary-v2」(2026-10-28)処理全体の約843,600時間と翻訳カバーの説明を確認
  4. NVIDIAデータセットカード「nvidia/Granary-v2」(Hugging Face)48言語・16コーパス・ラベル対象463,062時間、高品質判定約165,300時間、X→英語翻訳約92,496時間、コーパスごとの個別ライセンス、ラベル配布で音声は別途取得を確認

出典の確認日 2026.10.30

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. NVIDIA、科学研究向けエージェント構築のNemotron for Scienceを発表──化学の学習・評価データ約5万問と事後学習レシピ、GROMACS修復は単一DGX Sparkで81%

    NVIDIAは2026年11月16日、科学研究向けエージェント構築の取り組みNemotron for Scienceを発表した。オープンモデルNemotron 3.5 Super VLに、化学推論の学習・評価用オープンデータセットLitmusBench v0.2(学習47,118問・試験2,056問)と事後学習レシピを組み合わせ、研究者が専門特化の科学エージェントを作れるようにする。発表では、KTH王立工科大学が構築したエージェントが単一のDGX Sparkで一晩の実行によりGROMACS分子動力学の壊れた構成の81%を修復し、修復のたびにGROMACS自体が独立に検査した例や、Terray Therapeuticsの反応図抽出がRxnScribe試験で注釈付き反応の約76%を回復した例を紹介している。数値はNVIDIAと協力組織の報告値で、独立検証はされていない。モデルとデータセットはHugging Faceで公開中で、128GBのDGX Sparkでのローカル実行に最適化された。

    記事を読む
  2. NVIDIAのNemotron-Labs-Sigma、連続拡散言語モデルの研究を改訂し少ステップ蒸留のチェックポイントを公開──数学で約8倍、コードで約4倍の生成加速

    Zhihan Yang氏ら17名の論文「Large Language Continuous Diffusion Models」は2026年10月2日の初版から11月12日に改訂され(arXiv v2)、Nemotron-Labs-Sigmaとして3Bと8Bの連続拡散言語モデルの研究と、少ステップ蒸留チェックポイントの公開が示された。分布マッチング蒸留で数学の生成を約8倍、コードを約4倍に加速(forward passあたり8トークン/4トークン)し、精度の損失は無視できる水準で多様性は維持すると報告する。事前SFT蒸留の8BモデルをGB200で1ステップの投機的復号に使うと、自己回帰対比で約3.5倍のスループットを得たという。公開チェックポイントはHugging FaceでNVIDIA Nemotron Open Model Licenseの下にあり、商用・非商用の両方で利用可能と明記されている。数値は著者の報告値で、第三者による再現はまだない。

    記事を読む
  3. NVIDIAとElith、日本の金融AI向け合成ペルソナ900万件を公開 CC BY 4.0で商用も利用可

    NVIDIAとElithは2026年11月9日、日本の公的統計に家計の財務状況と金融リテラシーのデータを組み合わせた合成ペルソナデータセット「Nemotron-Personas-Finance-Japan」を公開しました。100万レコードに9ペルソナずつ付いた計900万ペルソナで、CC BY 4.0ライセンスのもとで商用・非商用ともに利用できます。新しいモデルの発表ではなく、再利用できるデータ資産の公開です。

    記事を読む