NVIDIA が2026年10月28日（米国時間）、重みを公開する音声認識モデル「Nemotron 3.5 Transcribe」を Hugging Face と ModelScope に公開した。Hugging Face の Open ASR Leaderboard（英語）で、API モデルを除くオープンウェイトの中で1位（平均 WER 5.33%）としている。
- NVIDIA が2026年10月28日（米国時間）、オープンウェイト（重みを公開）の音声認識モデル「Nemotron 3.5 Transcribe」（30B-A4B）を Hugging Face と ModelScope に公開した。文字起こし・話者の区別（話者分離）・翻訳・音声への質問応答を、1つのチェックポイントでこなす
- 文字起こしは40言語。そのうち31言語は英語との間の翻訳ができ、話者の区別は13言語に対応する。最長1時間の録音と最大8人の話者を扱え、単語単位のタイムスタンプも出せる
- 「話者を付けて書き起こして」「英語に訳して」「この会議で何が決まったか」のように、自然な文で指示して出力を変えられる。音声への質問応答は英語で学習しており、録音向けでライブのストリーミング向けではないとしている
- パラメータは全体で30B。音声エンコーダーに、Mamba と Transformer を組み合わせた専門家混合（MoE）の言語モデルをつなぎ、1トークンあたりに使うのは約4Bだとしている
- Hugging Face の Open ASR Leaderboard の英語では、API モデルを除くオープンウェイトの中で1位（平均 WER 5.33%）。7言語の多言語は平均 4.62%、長い録音は 10.98% で、モデルカードの比較では評価したオープンウェイトの中でどちらも最も低いとしている
- Artificial Analysis の AA-WER は 2.8% でオープンウェイトの1位タイ。同率の相手は有効パラメータが24Bで、Transcribe は約4Bだとしている
- 話者の区別は、David AI の21言語の話者分離の順位表で14システムのうち最も低い誤り率（DER 18.26%。NVIDIA の Nemotron 3 Diarization は 18.38%）。VoiceArena の英語の比較でも14システムのうち最も低い cpWER 32.4% としている
- Transcribe の学習に使った音声を整えた仕組みとデータ「Granary v2」も公開した。公開分は48言語・16のコーパス・463,062時間で、前の版は25言語だった（この数字は公開したデータセットのもので、Transcribe の学習の全体ではないとしている）。微調整のツールとレシピも公開している
- 医療の事例では、合成音声約153時間・Common Voice のなまりのある英語29時間・MultiMed の医療の録音63時間で微調整し、インドの医師・医学生の録音（Eka Care のベンチマーク）で評価した
- Eka Care の録音は話者で分け、855本を設定選びに、2,764本を評価に使った。設定選びに使っていない話者の録音の WER は、最良のプロンプトの 22.44% から 12.17% に下がった（相対で45.8%減）。一般の英語（LibriSpeech test-clean）の WER は 1.54% から 1.69% にわずかに上がった
- 量子化版は近日中に出すとしている。そのうち NVFP4 版では、RTX PRO 6000 Blackwell の GPU 1枚で100時間分の音声を3分未満で処理できたとしている
- ライセンスの種類は、この記事のページには書かれていない。料金は発表には無く、自前で動かす場合は vLLM など、ホスト型は Baseten・DeepInfra・Simplismart が挙がっている
確かめた一次資料
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。