NVIDIA、無料の音声文字起こしAI「Nemotron 3.5」公開

何があったの？

NVIDIAは2026年10月28日、音声の文字起こしと翻訳ができるAIモデル「Nemotron 3.5 Transcribe」を公開しました。同時に、学習用データセット「Granary」の第2版も公開しています。Nemotron 3.5 Transcribeは無料で使えるオープンウェイトのモデルで、最大40言語の文字起こしと、英語と31言語の間の翻訳に対応します。1回の音声は最大1時間まで、話者は最大8人まで区別して認識できるとされています。

このモデルは300億パラメータの規模を持ちながら、ロボット向けの小型チップ「Jetson AGX Thor」や、ノートPC向けの「DGX Spark」、データセンター向けの「Blackwell」まで、1枚のチップで動かせるとNVIDIAは説明しています。録音済みの音声には対応しますが、ライブ配信などのリアルタイム音声には対応していません。会議や医療の現場での文字起こしといった用途を想定しているとのことです。モデルは「Hugging Face」というサイトで公開されています。

初心者にはどういう意味？

「文字起こしAI」とは、話した声を自動で文字に変換してくれるAIのことです。今回のNemotron 3.5 Transcribeは、それに加えて別の言語に翻訳する機能や、複数人の会話を話者ごとに分けて書き起こす機能も持っています。たとえば会議の録音データを渡すと、誰が何を話したかを分けた文字起こしができる、というイメージです。

「オープンウェイト」というのは、モデルの中身を無料で誰でもダウンロードして使えるということです。ただし、現時点ではエンジニアなど技術的な知識がある人がダウンロードして使う形が中心で、一般の人がすぐにアプリとして使える形ではない点には注意が必要です。

私はこう思う

4文字起こしAIもここまでできるようになったのかと脱帽・・・

会議から議事録を取るという1工程をすっとばせるのとそれに翻訳をかけれるのは本当に便利そうですね。

今後もAIで人間の仕事を少しづつ減らしていってほしいものです。

今日からできること

• 普段の会議や勉強会の録音を、文字起こしAIで整理できないか考えてみる
• 「オープンウェイト」や「文字起こしAI」など、気になった言葉を調べてみる
• 詳しい人がいたら、このモデルを実際に試した感想を聞いてみる