AI技術速報 ── 2026-10-29
Nvidia、40言語の音声認識AIを重み公開
録音を文字に変換し翻訳もできる300億パラメータのモデル。専門用語の指定にも対応
何が変わるか
Nvidia社は、録音した音声を文字に変えるAIモデル「Nemotron 3.5 Transcribe」を公開した。BigGo Financeによると、対応する言語は最大40である。モデルは「オープンウェイト」で公開された。これは、学習で得たモデル内部の数値（重み）を誰でもダウンロードできる形を指す。
韓国の経済紙Financial Newsによると、開発者は重みを自分の環境で動かせる。必要に応じて特定の作業向けに調整もできる。同紙は、韓国語を含む多言語の音声認識サービス開発にも使えると伝えた。
なぜ重要か
BigGo Financeは、今回の公開を音声AI市場への参入の壁を下げる動きと位置づけた。あわせて、Nvidia社が自社の開発者向けの基盤を広げる狙いもあると報じた。同紙によると、今月はMistral社のVoxtral 3など、音声AIモデルの発表が相次いでいる。
一方で同紙は注意点も挙げた。オープンウェイトのモデルは、企業が自ら運用と調整を担う。そのため、商用のAPI型サービスとは費用の構造や責任の範囲が異なる。騒音の多い現場でもベンチマーク並みの性能が出るかが、普及を左右するとしている。
何か
Nemotron 3.5 Transcribeは、録音された音声ファイルを文字に起こすモデルである。BigGo Financeによると、英語を基準にした31言語の間の翻訳もできる。1つの録音の中で、最大8人の話者を区別できる。
利用者は、専門用語や固有名詞の一覧を入力できる。モデルはその一覧を参考に音声を認識する。パラメータ数は300億である。パラメータとは、モデルの規模を示す内部の数値の数を指す。ただし、生放送や通話のような実時間の音声は処理できず、録音済みのファイルのみが対象である。
どこで・誰が
開発したのは米Nvidia社である。両紙によると、同社は現地時間28日にこのモデルを発表した。開発者は重みをダウンロードし、自社のサービスに組み込める。
BigGo Financeによると、Nvidia社はこのモデルが1枚のチップで動くと説明した。対象にはロボット制御用のJetson AGX Thor、DGX Spark、データセンター向けのBlackwellが含まれる。用途として、会議の議事録の自動作成や、顧客対応の通話記録の分析が挙げられている。
なぜ作られたか
報道によると、医療、金融、法律の分野は専門用語が多く、音声認識が難しい。用語の一覧を指定できる機能は、こうした分野で企業が独自の音声サービスを作れるようにするものだ。
Financial Newsは、Nvidia社の戦略にも触れた。同社はオープンウェイトのモデルを通じて、AIチップだけでなくAI開発の分野でも影響力を高めようとしているという。BigGo Financeも、同社が開発者との接点を広げようとしていると報じた。
どう動くか
モデルには録音済みの音声ファイルを入力する。モデルは音声を文字に起こし、話者ごとに発言を区別する。翻訳では英語を基準の言語として使い、31言語の間で訳す。
利用者が専門用語や固有名詞の一覧を渡すと、モデルはそれを参考に認識する。BigGo Financeによると、Nvidia社は同時公開の音声データ集「Granary」第2版の併用を勧めた。自社の音声モデル「NeMo Speech」と組み合わせれば、各言語の業界用語の認識精度がさらに上がるという。
性能について、Nvidia社の発表ではHugging Face社のOpen ASR Leaderboardなど複数のベンチマークで競合を上回った。ASRは自動音声認識の略で、ベンチマークは性能を比べる共通の試験である。
要点
- Nvidia社は、最大40言語の録音を文字にする「Nemotron 3.5 Transcribe」を重みごと公開した。
- 英語を基準に31言語間を翻訳し、最大8人の話者を区別でき、専門用語の一覧も指定できる。
- 対象は録音済みファイルのみで、実時間の処理には対応しない。
結語
Nvidia社は、多言語の音声認識モデルを開発者が自由に使える形で公開した。性能が騒音の多い現場でも保たれるかが、普及の鍵になると報じられている。
引用と出典
“It can distinguish up to eight speakers in a single recording, making it immediately usable for tasks such as automatic meeting minutes and analysis of customer service call records.”（和訳）1つの録音で最大8人の話者を区別でき、会議の議事録の自動作成や顧客対応の通話記録の分析などにすぐ使える。── BigGo Finance, 2026-10-29
“One limitation, however, is that it processes only recorded files, not real-time streaming.”（和訳）ただし制約として、処理できるのは録音済みのファイルのみで、実時間のストリーミングには対応しない。── BigGo Finance, 2026-10-29
“Nvidia claimed the model outperforms competing models on various benchmarks, including Hugging Face's Open ASR Leaderboard.”（和訳）Nvidia社は、このモデルがHugging FaceのOpen ASR Leaderboardを含むさまざまなベンチマークで競合モデルを上回ると主張した。── BigGo Finance, 2026-10-29
“NVIDIA Corporation has made Transcribe available as open weights so developers can download the model weights, run them in their own environments, and adapt the model for specific tasks as needed.”（和訳）NVIDIA社はTranscribeをオープンウェイトで公開した。開発者はモデルの重みをダウンロードして自分の環境で動かし、必要に応じて特定の作業向けに調整できる。── Financial News (파이낸셜뉴스), 2026-10-29
材料にした記事
- BigGo Finance 10/29 09:05
- 파이낸셜뉴스 10/29 08:45
この速報は AI（Claude）が出典の記事から書き、Jev（TypeSafe の判定モデル）と Gemini の裏取り、引用の逐語の照合を通したものです。