← すべてのニュース

NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに

NVIDIAの2026年10月28日付ブログによると、Nemotron 3.5 Transcribeはオープンウェイトとして公開され、単一のチェックポイントで40言語の文字起こし、13言語の話者識別、31言語と英語の相互翻訳をカバーし、Granary v2データパイプラインと微調整レシピも公開した。

公開 更新
元の報道のカバー画像 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道のカバー画像元の報道 ↗

主な変更

NVIDIAが2026年10月28日にHugging Faceで公開したブログによると、同社はNemotron 3.5 Transcribeをオープンウェイトとしてリリースした。チェックポイント名はNVIDIA-Nemotron-3.5-Transcribe-30B-A4Bで、Hugging FaceとModelScopeで公開されている。文字起こし、話者識別、翻訳、音声質問応答を同じチェックポイントに統合しており、40言語の文字起こし、そのうち31言語と英語の相互翻訳、13言語での話者ラベル付けに対応する。1つの録音は最長1時間で、最大8名の話者を識別し、単語レベルのタイムスタンプも扱える。アーキテクチャは音声エンコーダと、MambaとTransformerを組み合わせたMixture-of-Experts言語モデルで、総パラメータは30B、トークンあたり約4Bがアクティブになる。公開元はGranary v2のデータ一覧とNeMo Curatorによるキュレーションパイプライン、NeMo Speechの微調整レシピも同時に公開した。ブログでは、Hugging FaceのオープンASRリーダーボードの英語オープンウェイト部門で平均WER 5.33%により首位、多言語7言語の平均は4.62%、長尺音声は10.98%としている。Artificial AnalysisのAA-WERでは2.8%で別のオープンウェイトモデルと首位タイとなり、約4Bのアクティブパラメータは相手の24Bに対応するという。David AIの21言語の話者識別リーダーボードではDER 18.26%で首位となり、NVIDIA自身のNemotron 3 Diarization(18.38%)をわずかに上回った。VoiceArenaの14システム比較では最低のcpWER 32.4%を記録した。これらの数値はいずれも公開元ブログによる第三者リーダーボード結果の引用であり、リーダーボードの定義とスナップショット時点は自身で確認する必要がある。

開発者への影響

接続方法に最も直接的な影響を与えるのは、従来は音声認識モデルと話者分離モデルを組み合わせて構成していた処理を、1つのチェックポイントと自然言語プロンプトにまとめられる点だ。ブログで説明されている仕組みは、Sortformerの話者手がかりと音響特徴を一緒に言語モデルへ入力し、生成過程で直接話者ターンをラベル付けするもので、文字起こし完了後に話者を単語へ貼り戻すのではない。これは重なり音声や多人数会議のタイムライン整合にとって構造的な変化であり、単に認識器が強くなったということではない。ただし能力の境界も明確だ。翻訳は31言語と英語の間に限られ、任意の言語ペアは提供しない。音声質問応答はブログによれば英語のみで学習されている。モデルは録音済み音声向けで、リアルタイムストリーミングは行わない。デプロイ面では、単一のNVIDIA GPUで動作し、Jetson AGX ThorやDGX SparkからBlackwellのデータセンター向けカードまで対応するとブログは述べている。vLLMによるサービング経路とNeMo-Speech.cppによるローカル実行経路が用意され、Baseten、DeepInfra、Simplismartのマネージドエンドポイントもある。公開元が示すスループットは、単一のRTX PRO 6000 Blackwell Server Edition上でNVFP4精度、30秒クリップ、高並列という条件で3分間に100時間の音声を処理したもので、長い録音、低並列、NVFP4以外の精度という実際の負荷とは大きく異なる。Granary v2の意義は、プロンプトレベルの制御を学習まで広げたことにある。公開された一覧は48言語、16のソースコーパス、463,062時間をカバーし、tn_raw、itn_raw、itn_cleanの3種類の文字起こし形式を提供する。ブログは、これらの数字がデータセットの公開内容を説明するものであり、Transcribeの完全な学習ミックスやサンプリング重みではないと明記している。

導入と評価の提案

以下は情報源に基づく判断と提案であり、検証済みの事実ではない。第一に、既存の「認識+分離」のカスケードを1つのチェックポイントへ置き換えるかどうかを先に決めるべきだ。置き換えの前提は、負荷が録音済み音声中心で、1本が1時間以内、話者が8名以内、対象言語が対応範囲内にあることだ。製品がリアルタイム字幕やストリーミング文字起こしを必要とするなら、このモデルはブログの自己記述どおり適合しないため、エンジニアリングで回避するのではなく対象から除外すべきである。評価基準は、自社のホールドアウト会議録音でcpWERとDERを同時に計算し、同じ削除率で現行のカスケードと比較することだ。VoiceArenaは削除された単語の割合を8.32%と報告しており、比較対象の中央値は約31%である。削除率の差は下流の要約や検索の品質に大きく影響する。第二に、まずプロンプト、その後で微調整とする。情報源の医療事例では、プロンプトに言語と文字体系を明記することでベンチマーク全体のWERが30.8%から23.8%へ下がり、微調整後はさらに11.8%へ下がった。話者単位で分割したホールドアウトセットでは22.44%から12.17%へ、相対で45.8%の低下だった。したがって実行可能な閾値は、まずプロンプトのベースラインを確立し、領域固有のエンティティ誤りがホールドアウト話者上でなお高い場合にのみ微調整を始めることだ。その前提として、チェックポイント選択用に少なくとも100件の実ラベル付きセグメントを保持し、ランダムではなく話者単位で分割する。評価基準はホールドアウトWER、キーワードWER、意味WERの3つを同時に見て、さらに汎用音声の回帰セットも加える。情報源自身もLibriSpeech test-cleanが1.54%から1.69%へ微増したと報告しており、汎用能力の後退は自社コーパスで確認する必要があり、ゼロと仮定してはならない。第三に、自社ホストかマネージドエンドポイントかは、音声量とデータ所在要件で決まる。評価基準は、公開元の30秒クリップ高並列の数字を引用するのではなく、自社の音声長分布の下で1時間の音声あたりに消費するGPU時間を測ることに置き換えるべきだ。音声長が1時間に近づくと、プリフィルとメモリの負荷はまったく異なる。

制限と未確認事項

ブログ本文はこのモデルをオープンウェイトと呼ぶだけで、モデルライセンス条項を示していない。重みをダウンロードできることはオープンソースライセンスを得たことを意味せず、商用利用や再配布の権利はモデルカードと付随する条項に従う必要がある。Granary v2のソース音声は各コーパスの元のライセンスに従って個別にダウンロードする必要があり、一覧自体にこれらの音声の権利は付随しない。すべての精度と誤り率の数値は、公開元ブログによる第三者リーダーボード結果の引用とベンダー自身の事例に由来する。リーダーボードは時間とともに変化し、医療事例は単一言語・単一領域のみをカバーし、合成データのレシピも他業種への転用を保証しない。音声質問応答が英語のみで学習されていること、翻訳が英語ペアに限られること、ストリーミング非対応であることは、いずれもパラメータ調整では解決できない厳格な制約だ。明確にしておく必要があるのは、Nemotron 3.5 Transcribeのこのバージョンが現時点でKimiSeekのモデルカタログに掲載されていないことだ。ブログで述べられているHugging Face、ModelScopeからのダウンロードと第三者のマネージドエンドポイントは、ベンダーとその提携先による可用性を指す。接続前に実際のページと条項を確認すべきである。

元の報道の図版

元の報道の図 1 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道の図 1元の報道 ↗
元の報道の図 2 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道の図 2元の報道 ↗
元の報道の図 3 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道の図 3元の報道 ↗
元の報道の図 4 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道の図 4元の報道 ↗
元の報道の図 5 — NVIDIAがNemotron 3.5 Transcribeの重みを公開、文字起こし・話者識別・翻訳を1つのチェックポイントに
元の報道の図 5元の報道 ↗

3分で最初の呼び出しまで

登録後に API キーを作成してください。利用料金はアカウント残高から引き落とされます。初回チャージ30%オフ。¥500チャージ、お支払い ¥350、入金額 ¥500。¥1000チャージ、お支払い ¥850、入金額 ¥1000 最低チャージはこれまでどおり ¥10 で、試用にも使えます。

出典と編集方針

NVIDIA Nemotron 3.5 Transcribe 与 Granary v2:可提示、可适配的智能多语言转写

引用元を基にAIが分析と翻訳を補助し、自動品質チェックを行っています。提案は実測結果ではありません。提供状況と料金は最新カタログをご確認ください。