NVIDIAは2026年10月28日、音声を扱うオープンウェイト(重みが公開されたモデル)の「NVIDIA Nemotron 3.5 Transcribe」と、音声データセット「Granary-v2」を公開しました。文字起こしに加えて話者のラベル付けや翻訳までを一つのモデルで行い、普通の言葉の指示で出力のスタイルを切り替えられる点が中心です。AIによる文字起こしを日本語の議事録づくりに生かしたい人、無料で試せる手段を探している人に向けて、公開された内容と、使う前に確かめたいことを整理します。
要点
- NVIDIAは2026年10月28日にNemotron 3.5 Transcribeを発表した。文字起こし・話者の割り当て・翻訳を扱うオープンウェイトの音声モデルで、同日からHugging Faceで公開されている
- 「この録音を文字起こしして、それぞれの話者にラベルを付けて」のような自然言語の指示で、出力のスタイルをリクエストごとに選べる。再学習は必要ない
- 40言語の文字起こしに対応し、扱える録音は最長1時間。求めれば話者つきの単語単位のタイムスタンプも返す
- Hugging FaceのOpen ASRで1位、Artificial Analysisではオープンウェイトモデルのうち2位。有効パラメータは約43億で、オープンウェイト1位のモデルより80%少ない
- 同時に公開されたGranary-v2は48言語をカバーする音声データセットで、処理済みの全体は約843,600時間ぶんの音声を含む
何が発表されたか
一つのモデルで文字起こしと話者と翻訳を扱う
Nemotron 3.5 Transcribeは、NVIDIAがspeech-augmented language model(SALM)と呼ぶ、音声を扱える言語モデルです。Transformerの音声エンコーダーと、凍結したNemotron 3 Diarizationモデル(話者を分けるモデル)を組み合わせ、有効パラメータは約43億(4.3B)です。一つのモデルで、話した通りの文字起こし(verbatim)、書き言葉に整えた文字起こし(written-form)、文脈を使った文字起こし(contextual)、話者を割り当てた文字起こし(speaker-attributed)、情報を補った文字起こし(rich transcription)、音声の翻訳、話されている言語の判定を40言語で行い、扱える録音は最長1時間です。求めれば、話者つきの単語単位のタイムスタンプも返ります。
従来の音声認識は、学習の時点で出力の決まりを一つに固定します。このモデルは普通の言葉の指示をリクエストごとに与えることで、再学習なしに文字起こしのスタイルを選べます。NVIDIAが挙げている指示の例は「Transcribe this recording and label each speaker.(この録音を文字起こしして、それぞれの話者にラベルを付けて)」「Translate this audio into English.(この音声を英語に翻訳して)」「List what decisions were made in this meeting.(この会議で決まったことを挙げて)」です。指示には製品名のような用語や書式の決まりも入れられ、ヘルスケア、金融サービス、カスタマーサービスといった分野の専門的な語彙を扱う助けになるとしています。重みが公開されているため、開発者はデスクトップからクラウドまで、音声をどこで処理するかを選べます。
精度と動かす場所
精度は、英語のOpen ASR Leaderboardの9つの公開テストセットで平均WER(単語誤り率)4.71%、多言語のOpen ASR Leaderboardで4.62%と報告されています。Hugging FaceのOpen ASRで1位、Artificial Analysisではオープンウェイトモデルのうち2位で、約43億の有効パラメータはオープンウェイト1位のモデルより80%少ないとしています。想定される固有名詞のリストを渡すcontextual transcriptionでは、ContextASR-Benchでの固有名詞の誤りが6分の1になります。
公開場所は2026年10月28日時点のHugging Faceです。量子化版は近日登場とされ、NVIDIA RTX SparkやDGX Sparkのシステム、Jetson AGX Thorのデバイスで手元で動かせるようになります。NVFP4版はNeMo-Speech.cppまたはvLLMから使えます。チェックポイントはBF16、FP8、NVFP4、NeMo-Speech.cpp用のGGUFなどが配布され、ライセンスはOpenMDW-1.1、NeMo Speechのファインチューニング用ツールキットも合わせて公開されています。17のタスクでの検証では、新しい言語や分野、タスクへの適応が1つのGPUで、1タスクあたりおおむね0.5〜2.3 GPU時間でできたとしています。
同時に公開されたGranary-v2
Granary-v2は、多言語の音声データセットと、再利用できるキュレーション(データを選んで整える工程)の仕組みです。対応言語はGranary-v1の25言語から48言語に増え、処理済みの全体は約843,600時間ぶんの音声を含みます。英語への翻訳は約142,800時間ぶん、英語音声から31言語への翻訳は約55,000時間ぶんです。ラベルの品質でふるい分けると、9つのベンチマークの平均WERが4.91%から4.67%に下がり、6つのベンチマークで改善しました。Nemotron 3.5 Transcribeは、このGranary-v2を学習データの一部に使っています。
個人の仕事や学びにどう使えるか
会議の録音から決定事項の洗い出しまで
営業や企画の仕事なら、商談や社内会議の録音に対して、文字起こしと話者のラベル付けを一つの指示で頼み、続けて「この会議で決まったことを挙げて」と尋ねる流れが取れます。このモデルは音声についての質問にも答えられるので、文字起こしを別の場所に移す前に、同じモデルの中で決定事項の整理まで進められます。
取材音声や専門用語の多い記録
ライターや編集、研究職のように固有名詞の多い音声を扱う人は、出てくると分かっている固有名詞のリストを先に渡す使い方が向いています。ContextASR-Benchでは、この方法で固有名詞の誤りが6分の1に減ったと報告されています。指示に書式の決まりを足せば、数字の書き方や言い回しの整え方もリクエストごとに変えられます。
文字起こしの後をどこでやるか
文字起こしのテキストができたあとは、普段使っているChatGPTやGeminiのようなチャット型AIに貼って、要約や議事録の形に整えてもらう流れもあります。この流れは要約の指示を自分の言葉で何度も作り直せる一方、渡すのはテキストなので、音声に戻って聞き直さないかぎり、聞き違いが残っていても気づきにくくなります。モデル側で決定事項まで出す流れと、テキストにしてから別のAIで整える流れのどちらを選ぶかは、録音を社外のサービスに出していいかという社内の決まりと合わせて考えると判断しやすくなります。
会社・チームで使うときのポイント
重みが公開されており、音声をどこで処理するかを選べるのが業務での利点です。ただし量子化版は近日登場とされているため、手元で動かす前提なら、対応するハードウェアと、社内のどの録音を誰が扱えるかという取り決めを先に決めておきたいところです。公開されている数値はベンチマークのものなので、自分たちの会議音声や通話の録音で小さく試してから広げるのが現実的です。法人での導入や研修をまとめて設計したい場合は、株式会社デジライズに相談できます。同社は法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)で、累計600社超・5万人以上のAI活用を支援しています。
使う前の注意点
対応は40言語で、7つのインド系言語を含むと示されています。自分が扱う言語や、出力のスタイルがどこまで指定できるかは、使う前に公式のモデルページで最新の対応範囲を確かめてください。扱える録音は最長1時間とされているので、長い会議は分割する前提で考えると安全です。
動かす環境も確認が必要です。量子化版は近日登場とされ、NVFP4版はNeMo-Speech.cppまたはvLLMから使えると説明されています。手元で動かす場合のハードウェアには費用がかかります。たとえばRTX Spark搭載のノートPCはASUS、Dell、HP、Lenovo、Microsoft、MSIから2,599ドルからとされており、総額で見積もるのが安全です。ライセンスはOpenMDW-1.1なので、業務で使う条件はライセンス本文で確かめてください。録音を扱うときは、参加者への同意の取り方や個人情報の扱いを社内のルールに照らして整えることも忘れないようにしましょう。
まとめ
Nemotron 3.5 Transcribeは、文字起こしの「書き方」を指示で選べる点が大きな変化で、話者のラベル付けや翻訳、音声についての質問までを一つのモデルで扱えます。手元で動かす準備は必要ですが、会議や取材の記録づくりを見直すきっかけになる発表です。音声の扱いを含めて仕事の流れを体系的に学びたい人は、デジライズAIスクールのコース一覧から「商談・企画業務のAI実務(職種別|営業・企画・提案職)」のような職種別の講座を確かめてみてください。
出典
- Thin, Light and Built for Everything: NVIDIA RTX Spark Windows Laptops Gain New Models, Agent Tools and Games
- NVIDIA Nemotron 3.5 Transcribe: Intelligent Transcription with a Speech LLM
- Granary-v2: Scalable Multilingual Speech Data Curation for Predictable and Controllable Model Outputs
この記事は、各社の公式の発表をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。
