ニュース / AI・生成AI
公開：
NVIDIA「Nemotron 3.5 Transcribe」公開｜日本語含む40言語・話者分離と文字起こし
NVIDIAの研究チームは2026年10月28日、音声拡張型言語モデル「Nemotron 3.5 Transcribe」を公開した。日本語を含む40言語を対象に、文字起こし、話者別の発話帰属、音声翻訳などを1モデルで行う研究成果として紹介している。
30秒でわかるこの記事の要点
- 公開
- 2026年10月28日
- 言語
- 日本語を含む40言語
- 対応音声
- 最長約1時間の録音
- 有効パラメータ
- 約43億（4.3B）
- 処理
- 話者別文字起こし・音声翻訳など
Nemotron 3.5 Transcribeは日本語を含む40言語の文字起こしと話者分離に対応する。会議音声などを処理する開発者には気になるモデルだが、手元の音源での精度まで保証する発表ではない。
発話内容だけでなく文脈も扱う
話し言葉のままの文字起こしと、数字・表記揺れなどを整えた記述を使い分けられることが特徴。専門用語に対応するための文脈指定も想定する。
話者分離とタイムスタンプ
発話した人ごとに文字を紐付け、単語単位のタイムスタンプを返す機能を案内。会議やインタビューの記録などへの応用が考えられる。
技術構成と提供形態
音声エンコーダーとNemotron 3話者分離技術、Nemotron 3.5 LightningのMoEモデルを組み合わせた研究モデル。重みやライセンス、実行環境は公式資料で確認したい。
利用時の注意
音声の個人情報や録音同意を確認し、文字起こしの誤認識を人間がチェックする必要がある。日本語でも常に完全な精度を保証するものではない。