NVIDIAは10月28日にオープンウェイト音声モデルNemotron 3.5 Transcribeを公開しました。このモデルは、1つの自然言語指示で出力内容を決定し、文字起こし、話者ラベリング、翻訳、音声Q&Aを同時に処理します。40言語の文字起こしに対応し、そのうち31言語は英語との相互翻訳が可能、13言語は話者ラベリングに対応しています。1つの録音ファイルの最大長は1時間、最大8人の話者に対応します。同時に、Granary v2データクリーニングパイプラインとデータリスト、およびNeMo Speechファインチューニングチュートリアルも公開されました。
信頼度：高（100） · イベント時間 2026-10-28
理由
- 同じ会議の録音ファイルでも、プロンプトを変えるだけで、話者ラベル付きの逐語録、英語訳文、または「この会議でどのような決定がなされたか」といった回答を出力できます。さらに、プロンプト内で専門用語リスト（例：薬品名）を指定すると、モデルは録音中に実際に出現した場合にのみそれらを使用します。従来は文字起こし、話者分離、翻訳などの複数のモデルを連携させる必要があったワークフローを、1つのモデルで完結させることができます。
- アーキテクチャは音声エンコーダ + ハイブリッドMamba–Transformer混合専門家言語モデルで、総パラメータ数は約30B、トークンあたりのアクティブパラメータ数は約4B（モデルカードには音声エンコーダを含め約4.3Bと記載）です。BF16、FP8、NVFP4の3種類の精度が提供されています。公式によれば、Hugging Face Open ASR英語リーダーボードでオープンウェイトモデルとして第1位（平均単語誤り率5.33%）、Artificial Analysisの音声文字起こしリーダーボードでオープンウェイトモデルとして同率第1位（2.8%、競合モデルのアクティブパラメータ数は24B）、David AIの21言語話者分離リーダーボードで誤り率18.26%と最低を記録しています。
- 公式はドメイン適応の完全なケーススタディを提供しています。インド人医師のアクセントがある医療音声データセットにおいて、適切なプロンプト設計により単語誤り率を30.8%から23.8%に低減し、さらにファインチューニングにより11.8%まで低減しました。チューニングに参加していない話者に対しても、22.44%から12.17%へ（相対的に45.8%低減）改善されています。この一連の適応処理は、1枚のGB300 GPUで約14 GPU時間かかります。
- Granary v2の公開リストは、463,062時間、48言語、16のソースコーパス（v1では25言語）をカバーしています。各録音には逐語録、正規化済みなど3種類の文字起こし表記が含まれており、このパイプラインを自社の録音データの処理に利用できます。
使い方
- モデルはHugging Faceのnvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B（ModelScopeでも同期）で入手可能で、オンラインデモも提供されています。vLLMまたはSGLang-Omniを用いてセルフホストするか、Baseten、DeepInfra、Simplismartのマネージドエンドポイントを利用できます。量子化版およびNeMo-Speech.cppによるローカルデプロイは、公式によれば「近日公開予定」です。
- データはHugging Faceのnvidia/Granary-v2で入手可能です。ファインチューニングについてはNeMo Speechチュートリアルと医療ASRケーススタディを参照してください。また、コーディングエージェントが完全なファインチューニングワークフローを実行するためのエージェントスキルも用意されています。モデルカードには、各タスク向けの推奨プロンプトと言語サポートマトリクスが記載されています。
リスク
- 録音済みの音声のみを処理し、リアルタイムのストリーミング認識には対応していません。音声Q&A、推論、音声指示は英語でのみ評価されています。
- ライセンスはOpenMDW-1.1で、モデルカードには商用利用可と記載されています。ただし、モデルカードには純粋なテキストタスクにおける性能が、ベースとなる言語モデルより低いことも明記されています。
- The DecoderはGranary v2が約84.4万時間であると報じていますが、NVIDIAのブログに記載されている463,062時間と一致しません。公式情報を優先してください。また、SiliconANGLEの「100時間の音声を処理可能」といった記述は、公式の原文と一致していません。
- リーダーボードの成績は公式による集計であり、モデルの実際の出力を確認したものではありません。
開く · Nemotron 3.5 Transcribe モデルカード · NVIDIA ブログ（RTX Spark ローカルAIまとめ） · TechCrunch · The Decoder · SiliconANGLE