エヌビディア、音声認識モデル「Nemotron 3.5 Transcribe」を公開

エヌビディアは2026年10月28日、オープンウェイトの音声認識AIモデル「Nemotron 3.5 Transcribe」を公開した。モデルの重みはHugging Face上で、商用利用が可能なOpenMDW-1.1ライセンスの下に公開されている。aitimes.comが報じた。

モデルは混合エキスパート（MoE）アーキテクチャを採用し、総パラメータ数は約340億、うち稼働パラメータは約43億。最長1時間の録音を処理でき、最大8人の話者を区別して発話のタイミングを記録できる。ユーザーは自然言語で文字起こしのスタイルを指定でき、逐語的な書き起こしや整えた文にするかを選べる。

対応言語は音声認識が40言語、翻訳が31言語で、主に英語への翻訳を行う。エヌビディアによると、Hugging Faceの英語オープンASRリーダーボードでは単語誤り率4.71%を記録し、オープンウェイトモデルの中で1位となった。7言語の多言語評価では平均誤り率4.62%だった。文脈に基づく認識機能を評価するContextASR-Benchでは、固有名詞の誤りが最大6分の1に減ったという。

エヌビディアはモデルとあわせて音声ツール「NeMo Speech」と音声学習データセット「Granary 2」も提供する。独自データで追加学習した医療音声認識の実験では、最適化したプロンプトの基準と比べて単語誤り率が45.8%相対的に低下した。

推論性能についてエヌビディアは、BlackwellベースのRTX PRO 6000 GPU 1枚で最適化環境下において毎秒最大2238秒分の音声を処理できると説明する。ただし、すべての最適化が公開版のオープンソースに含まれているわけではない。また、このモデルはリアルタイムのストリーミング音声には直接対応せず、録音済みの音声を入力として扱う。

音声認識市場での競争

今回の公開は、MistralやElevenLabsを含む主要AI企業が音声認識や音声エージェント技術で競争を繰り広げる中で行われた。