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。
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
- 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
- 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
- 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
- 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