エヌビディア (NVIDIA) は10月28日(現地時間)、多言語文字起こしモデル「NVIDIA Nemotron 3.5 Transcribe」と、そのトレーニングを支援するデータパイプライン「Granary v2」を発表した。このオープンウェイトモデルは、40言語に対応する高精度な文字起こし、話者識別、翻訳、音声Q&A機能を一つのチェックポイントで提供し、Hugging Face およびモデルスコープ (ModelScope) で利用可能となる。
Nemotron 3.5 Transcribeは、40言語の文字起こし、31言語から英語への翻訳、13言語での話者識別機能を単一のチェックポイントで提供する。最大1時間の録音に対応し、最大8名までの話者を識別可能だ。開発者は自然言語でモデルの出力を制御でき、ドメイン固有の語彙やアクセントにも適応させられる。本モデルの動作には単一のNVIDIA GPUが必要となる。
Granary v2には、多言語データと再利用可能なキュレーションパイプラインが含まれており、ネモ・スピーチ (NeMo Speech) のファインチューニングツールと組み合わせることで、開発者がモデルのトレーニング段階を詳細に制御できる。医療分野でのケーススタディでは、ファインチューニングによって単語誤り率（WER）が45.8%改善されたと報告されている。
NVIDIA Nemotron 3.5 Transcribeは、Hugging Face Open ASR Leaderboardの英語トラックにおいてオープンウェイトモデル中で1位を獲得。また、Artificial Analysis Speech-to-Text Leaderboardでもオープンウェイトモデル中1位タイとなっている。デイビッドAI (David AI) の多言語話者識別リーダーボードでは、21言語における話者識別エラー率で最も低い数値を記録し、ボイスアリーナ (VoiceArena) のベンチマークでは14システム中1位と評価されている。
参考: Hugging Face Blog (アーカイブ) — 2026年10月28日 13:44 (JST)
原文ハイライト"Intelligent Multilingual Transcription You Can Prompt and Adapt"