Nvidia、40言語対応の音声認識モデル「Nemotron 3.5 Transcribe」を無償公開

何が起きたか

Nvidiaは2026年10月28日、音声認識(speech-to-text)モデル「Nemotron 3.5 Transcribe」をオープンウェイト(無償で利用できる学習済みモデル)として公開しました。Hugging FaceとGitHubで入手できます。最大40言語の音声を文字化でき、うち31言語は英語との双方向翻訳にも対応します。録音音声は最大1時間まで処理でき、話者を最大8人まで識別して発言者ごとに書き分けられます。

なぜ重要か

このモデルは録音済みの音声ファイルを処理する「オフライン」処理に特化しており、ライブ配信や通話のようなリアルタイム音声には対応しません。Nvidiaはビジネス会議や医療分野の文字起こしを主な用途と想定しており、Hugging Faceの音声認識モデルの性能を比較する「Open ASR Leaderboard(Open ASRリーダーボード)」を含むベンチマークで競合製品を上回るとしています。具体的には英語音声認識の平均単語誤り率(WER、音声を文字に変換した際の誤りの割合)が4.71%で、オープンウェイトモデルの中で最も低い値だったとしています。総パラメータ数34B(340億)のうち推論時に使う「アクティブパラメータ」は約4.3B(43億)に抑えた設計であり、少ない計算資源で上位の精度を出せている点も特徴です。無償で商用利用可能なモデルが増えることで、企業が文字起こし機能を自社システムに組み込む際のコストや選択肢に影響する可能性があります。

背景

音声AI分野では新製品の発表が相次いでいます。Mistralは今月「Voxtral 3」を投入し、Salesforceも音声モデル「Launa-Omni」を公開しました。ElevenLabsは音声エージェントで即時に応答するための「Realtime」を発表しています。即時応答を売りにする製品が並ぶなか、Nvidiaは録音データの文字起こしという用途に絞って勝負する形です。

日本のビジネスへの示唆

• 社内会議や診察録音の文字起こしを検討している企業にとって、無償で使えるオープンウェイトモデルの選択肢が増えたことは注目に値します。
• リアルタイム音声対応が必要な用途(コールセンターの自動応答など)には別のモデルを検討する必要があり、用途ごとにモデルを選び分ける動きが広がる可能性があります。
• 話者識別や多言語翻訳を自社システムに組み込む際のコスト構造が変わりうるため、導入検討時には性能とライセンス条件を確認したいところです。