NVIDIA、プロンプトで操れる音声モデル Nemotron 3.5 Transcribe を公開

NVIDIA は 2026 年 10 月 28 日に OpenMDW-1.1 で Nemotron 3.5 Transcribe を公開しました。40 言語、話者ラベル、翻訳、プロンプトで制御できる文字起こしスタイル、最長 1 時間の録音に対応します。

  • 新規リリース
  • 約 3 分で読めます
  • 公開日
  • 更新日

NVIDIA は 2026 年 10 月 28 日、寛容な OpenMDW-1.1 ライセンスで Nemotron 3.5 Transcribe を公開しました。モデルとあわせて、NeMo Speech のファインチューニングツールキットと、音声データセット Granary のバージョン 2 も公開されています。

何が新しいか

  • 1 つのモデルで多くの仕事。 音声エンコーダーと、誰がいつ話したかを判別するダイアリゼーションモデルが、MoE の言語モデルに接続されます。文字起こし、音声翻訳、話者付き文字起こし、言語識別、音声についての質問応答を扱い、単語レベルのタイムスタンプも返せます。
  • サイズ。 モデルカードでは合計約 340 億パラメータ、アクティブは 43 億(音声エンコーダーを含む)です。
  • 対応範囲。 40 言語をサポートし、このうち 31 言語で英語との翻訳、13 言語で話者帰属に対応。最長 1 時間・最大 8 話者の録音を扱えます。
  • 操れるスタイル。 テキスト指示で欲しい文字起こしを指定できます。逐語テキストや書き言葉式の数字などです。期待する固有名詞や用語のリストを渡すこともできます。
  • オフライン専用。 完成した録音を処理します。ライブストリーミング認識器ではありません。

NVIDIA は、英語の Open ASR Leaderboard で平均単語誤り率(WER)4.71%、多言語版で 4.62% を報告しています。開発者自身の測定値なので、自分の音声で試してください。

実行方法

BF16 の重みは約 68 GB、FP8 版は約 35 GB、NVFP4 版は約 22 GB です。モデルカードは 80 GB の H100 1 基をデプロイターゲットとして掲げており、NVIDIA の NeMo-Speech.cpp 用の GGUF ファイルもあります。つまり、約 6 GB で済む Whisper large-v3-turbo よりずっと重いモデルです。いつ追加のサイズが割に合うかは並べて比較で確認でき、音声モデルのページに代替が列挙されています。

ライセンス

OpenMDW-1.1 は機械学習モデル向けに書かれた短い寛容なライセンスです。モデルの利用・改変・共有・販売が可能で、出力への制限はありません。再配布の際にはライセンス文と出所表示を保持する必要があり、Open Source Initiative はこのライセンスを承認していません。Apache 2.0 や MIT との比較は AI ライセンス入門 で扱っています。

出典

この記事で取り上げているモデル

モデル リリース日 パラメータ数 コンテキスト ライセンス 最小バリエーションの必要メモリ
Nemotron 3.5 Transcribe EN NVIDIA 34B アクティブ 4.3B 64K OpenMDW-1.1 (パーミッシブ) 25 GB ゲーミングGPU