NVIDIA、多言語文字起こしモデルNemotron 3.5 TranscribeとGranary v2を公開

NVIDIAは2026年10月28日から29日にかけて、オープンウェイトの音声認識モデル「Nemotron 3.5 Transcribe」と、音声データ整備の公開マニフェスト「Granary v2」を公開した。モデルは40言語の文字起こしに対応し、うち31言語で英語との翻訳ができる。話者識別は13言語、最大8人、最長1時間の録音が対象で、自然言語の指示により、話者ラベル付き文字起こし、英語翻訳、会議内容への質問などに出力を切り替えられる。総パラメータは30Bで、推論時に有効なのは約4Bとされ、単一のNVIDIA GPUで動作する。リアルタイムのストリーミングには対応せず、録音音声向けである。音声Q&Aは英語で学習されている。 性能について、Hugging Face Open ASR Leaderboardでは英語部門の平均WERが5.33%、7言語の多言語部門が4.62%、長尺部門が10.98%だった。Artificial AnalysisのAA-WERは約2.8%で、The Decoderによれば2.81%、最良のオープンモデルであるMistralのVoxtral Small（2.77%）に迫る。ただしアクティブパラメータは約6分の1という。順位の記述は報道で異なる。Hugging Face Blogはオープンウェイト中で首位タイとし、NVIDIA Blogは同じ指標で2位としている。話者識別では、David AIの21言語ベンチマークでDER 18.26%と最小を記録し、VoiceArenaの14システム比較でもcpWER 32.4%で1位とされる。いずれもNVIDIA側の発表に基づく数字で、TechCrunchも競合を上回ると同社が主張していると伝えている。 Granary v2は、NeMo Curatorで構築したデータ整備パイプラインと公開マニフェストである。規模の記述は報道で食い違う。Hugging Face Blogは48言語、16のソースコーパス、463,062時間とし、The Decoderは48言語・約844,000時間で、前版の約643,000時間から拡大したとする。前版の言語数は25言語で一致している。各発話は逐語形と整形版など複数の書き起こしスタイルで提供され、音源は各コーパスのライセンスに従って別途取得する必要がある。医療分野の事例では、インド医療音声ベンチマークでWERがプロンプト改善により30.8%から23.8%に下がり、ファインチューニングで11.8%になった。作業は1基のGB300で約14 GPU時間だった。一方、LibriSpeech test-cleanのWERは1.54%から1.69%へ小幅に上昇し、ブランド薬名では医療特化モデルが優位とされる。 利用面では、RTX PRO 6000 Blackwell Server EditionとNVFP4の条件で100時間の音声を3分未満で処理できるという。Jetson AGX ThorやDGX Sparkにも対応し、vLLMでのサーブ、NeMo-Speech.cppでのローカル実行、Baseten、DeepInfra、Simplismartのホスト型エンドポイントが使える。モデルとデータセットはHugging Faceで公開され、デモもある。NVIDIAは固有名詞、話者の切り替わり、回答の抽出の確認を勧めている。9月公開の話者識別専用モデルNemotron 3 Diarizationでは文字起こしに別モデルが必要だったが、今回その両機能が統合された。

報道をもとにAIが作成しました・7 分前更新

1. 10月29日 00:00 · 1件の報道
   RTX SparkノートPCにAIモデルとエージェント機能を追加
   NVIDIA Blog:NVIDIA RTX Spark搭載Windowsノートに新モデル、エージェント向け機能、ゲーム対応を追加
2. 10月28日 23:58 · 3件の報道
   NVIDIA、多言語文字起こしモデルNemotron 3.5 Transcribeを公開
   Hugging Face Blog:NVIDIA、Nemotron 3.5 TranscribeとGranary v2を公開、プロンプトで制御できる多言語文字起こしモデル

推移を表示するための継続的な観測データがまだ足りません。