MF Blogs 便利ツール
緑のグラデーション背景にマイクのアイコンと左右に広がる音声波形を描いた抽象的なイラスト

記事

NVIDIA「Nemotron 3.5 Transcribe」公開——40言語対応の音声書き起こしAIを無料提供

NVIDIAが、最大40言語の音声を書き起こせるオープンウェイトモデル「Nemotron 3.5 Transcribe」を公開しました。音声データセット「Granary」v2もあわせて公開し、最大8人の話者識別や31言語の英語間翻訳にも対応します。TechCrunchが報じた内容をもとに紹介します。

0:00 0:00

NVIDIAが、無料で利用できるオープンウェイトの音声書き起こしモデル「Nemotron 3.5 Transcribe」を公開しました。あわせて、オープンソースの音声データセット「Granary」のバージョン2も公開しています。音声AIの新製品発表が相次ぐ中でのタイミングとなり、注目を集めています。TechCrunchが報じています。

Nemotron 3.5 Transcribeの概要

Nemotron 3.5 Transcribeは、最大40言語の音声をテキストに書き起こせるモデルです。NVIDIAによれば、31言語について英語との双方向翻訳にも対応し、最大1時間までの長さの録音を処理でき、最大8人の話者を区別することもできるといいます。1時間という長さの録音をまとめて処理できる点は、長時間に及ぶ会議や講演をそのまま扱いたい場合に実用上の強みになりそうです。会議の議事録作成や医療分野での音声記録など、すでにAI活用が定着しつつある業務領域を主なターゲットとしています。

緑を基調にしたマイクのアイコンと、左右に広がる音声波形を描いたオリジナルイラスト

ベンチマークでの優位性とGranaryデータセット

NVIDIAは、Hugging FaceのOpen ASR Leaderboardを含むベンチマークで、競合モデルを上回る性能を発揮すると主張しています。音声認識モデルの精度は言語や収録環境によってばらつきが出やすいだけに、複数のベンチマークで横並びに比較できる公開リーダーボードでの実績は、開発者がモデルを選ぶ際の判断材料として参考にされやすい部分です。同時に公開されたGranary v2は、音声認識モデルの学習に使えるオープンソースデータセットの最新版で、開発者はこのデータセットとNeMo Speechモデルを組み合わせることで、特定の業界用語を言語ごとに認識させるようカスタマイズできるとされています。

想定用途と制約

ターゲットとして想定されているのは、ビジネス会議の文字起こしや医療分野での音声記録など、AIによる自動化がすでに実用段階にある業務です。会議の議事録作成では話者識別の精度が、医療分野での音声記録では専門用語の認識精度が、それぞれ実用性を左右する重要な要素になります。Granaryデータセットを使ったカスタマイズ機能は、こうした業界固有の語彙に対応する手段として位置づけられているとみられます。一方で明確な制約もあり、Transcribeは録音済みの音声データを処理する設計であり、ライブ配信のようなリアルタイム音声には対応していません。この点は、コールセンターでの応対支援のように、その場での即時書き起こしが求められる用途では考慮すべきポイントになりそうです。

幅広い動作環境への対応

Nemotron 3.5 Transcribeはパラメータ数300億ながら、単一のチップで動作できるとNVIDIAは説明しています。対応するハードウェアの幅は広く、ロボティクス向けの「Jetson AGX Thor」、最近ノートPCにも搭載が進む「DGX Spark」チップから、データセンター向けのBlackwellチップまでをカバーします。小規模なエッジデバイスから大規模なデータセンターまで、同じモデルを使い分けられる柔軟性を重視した設計です。

既存モデルとの位置づけ

今回のTranscribeは、NVIDIAが提供するオープンウェイトの音声モデル群に新たに加わる形となります。中でもパラメータ数11億と小型ながら高い性能を持つ「Parakeet」はすでに知られた存在で、Transcribeはその上位にあたる、より大規模で多言語対応に強いモデルという位置づけになります。軽量なParakeetはエッジデバイスでの低遅延処理に向き、多言語かつ長時間の音声を扱うTranscribeはより本格的な業務用途に向くといった具合に、要件に応じて使い分けられる構成です。用途やデバイスの性能に応じて、どちらのモデルを使うか選べる点は、オープンウェイトモデルならではの柔軟性といえます。

活発化する音声AI競争

NVIDIAの今回の発表は、音声AIの新製品が相次ぐ時期と重なっています。Mistralは今月すでに「Voxtral 3」を投入し、ElevenLabsは音声エージェント向けの即時応答機能「Realtime」を公開、Salesforceも独自の音声モデル「Launa-Omni」をリリースしたばかりです。音声認識と音声生成のどちらの分野でも短期間に新モデルが相次いでおり、テキスト生成系のモデルと同じように、音声AIの分野でも開発競争が加速している様子がうかがえます。各社が音声認識・音声生成の両面でしのぎを削るなか、オープンウェイトかつ無料で使えるNemotron 3.5 Transcribeは、ライセンス費用を抑えたい開発者にとって有力な選択肢の一つになりそうです。