NVIDIAが2026年10月28日、40言語の文字起こしに対応するオープンウェイト音声AI「Nemotron 3.5 Transcribe」を公開した。日本語の文字起こしや話者ごとの区別、英語との翻訳にも対応する。会議記録を一つのモデルで処理できる一方、導入には計算環境と精度検証が必要だ。
30秒でわかる / THE SIGNAL
NVIDIAが2026年10月28日、40言語の文字起こしに対応するオープンウェイト音声AI「Nemotron 3.5 Transcribe」を公開した。日本語の文字起こしや話者ごとの区別、英語との翻訳にも対応する。会議記録を一つのモデルで処理できる一方、導入には計算環境と精度検証が必要だ。
40言語の文字起こしを、一つの音声モデルで
NVIDIAは10月28日、音声AI「NVIDIA Nemotron 3.5 Transcribe 30B-A4B」を公開した。公式モデルカードによると、40言語の音声認識、話者ごとの発言の区別、音声翻訳、専門用語を補助する文脈指定、録音内容への質問に対応する。最大1時間の録音を対象とし、モデル全体のパラメータは約340億、処理時に有効になるのは約43億だ。
日本語については文字起こし、英語との双方向翻訳、複数話者の発言の区別がサポート対象に入る。一方、音声に対する質問回答や推論は英語でのみ評価されたと明記されており、日本語で同等の性能が得られると断定できない。
会議記録の仕事は、どこが変わるのか
会議録音を文字にするだけでなく、「誰が発言したか」を整理し、海外拠点との会議を翻訳する作業まで、同じモデルで扱える可能性が広がった。議事録担当者や研修運営者にとっては、録音から記録を作る工程の道具選びが変わる材料となる。
モデルの重みが公開されているため、適切なハードウェアと利用条件を満たせば、音声データを外部クラウドへ送らずに処理する構成も選べる。機密性の高い社内会議では重要な選択肢だ。ただし「モデルが公開された」ことと「一般的なノートPCで簡単に動く」ことは別である。
導入前に確認したい三つの条件
第一に、実行環境。公式クイックスタートにはH100 80GB GPUを使う構成例があり、量子化モデルの対応機器・ランタイムも別途確認が必要だ。第二に、精度。話者の区別は実在の人物の身元確認ではなく、固有名詞や雑音の多い録音での品質は自社音声で検証したい。第三に、利用条件。OpenMDW-1.1ライセンスと組み込む部品の条件を確認する必要がある。
なお、このモデルは録音済み音声を扱うもので、内部の分割処理はリアルタイム音声配信への対応を意味しない。新しい技術をすぐ全面導入するより、まずは短い会議録音で、正確さ・処理時間・情報管理の条件を確かめるのが現実的だ。