NVIDIA、Nemotron 3.5 Transcribeを公開:録音音声向けのオープンウェイト、技術詳細と未検証の課題

TechCrunchが取り上げたMistralやElevenLabsなど競合各社の最近のリリースが示すように、音声技術が市場の大きな注目を集めるこの秋、NVIDIAは2026年10月28日に「Nemotron 3.5 Transcribe」を公開した。2026年6月に登場した、リアルタイムストリーミング向けの6億パラメータモデル「Nemotron 3.5 ASR」とは異なり、今回のオープンウェイト版は録音済みの音声ファイルの分析を対象としている。Hugging Face上の同社公式チャンネルによれば、文字起こし、翻訳、話者の割り当て、音声信号に関する質問応答をひとつのソリューションにまとめ、Mamba-2とTransformerを組み合わせたハイブリッド型のmixture-of-expertsアーキテクチャに並列の音声エンコーダーを組み合わせている。

技術面では、モデルカードは総パラメータ数を約340億(エンコーダーを含めたアクティブ数は約43億)としている。一方、正式名称「30B-A4B」とブログは総数約300億、アクティブ約40億としており、この差は音声エンコーダーを数に含めるかどうかによる。ライセンスはOpenMDW-1.1で、商用・非商用のいずれにも利用でき、イタリア語は同社が「Leading」と呼ぶ性能クラスでサポートされている。推奨される計算環境は80GBのH100 GPUだ。モデルとあわせて、NVIDIAは48言語・463,062時間の音声を含むオープンデータセットGranary v2も公開した。ただし元の音声ファイルは、各コーパスのライセンスに従って提供元のプラットフォームから直接ダウンロードする必要がある。紹介された活用例のうち、Eka Careベンチマークを用いた医療分野への適応では、NVIDIA GB300で約14 GPU時間の学習を行った結果、学習に使っていないクリップでのWERが22.44%から12.17%へと低下した。2,764クリップでの相対削減率は45.8%だった。

とはいえ、公表データを詳しく見ると、いくつかの食い違いと検証上の限界がある。性能測定は社内テストまたはパートナーとのテストによるもので、独立した追試は行われていない。これはNVIDIA自身のブログも認めている。また、ブログが英語のOpen ASRリーダーボードについて示す平均誤り率5.33%と、モデルカードが9つのデータセットの均等加重平均として示す4.71%にも差がある。おそらく別々の計算だが、その違いは説明されていない。速度の数値(100時間の音声を3分未満で文字起こし)も、まだ公開されていないNVFP4版に関するものだ。NVIDIAは適用範囲を明確にしており、ブログでは「Transcribe is built for recorded audio, not live streaming」と強調し、公式モデルカードでも、内部で音声をブロック単位で処理していてもリアルタイム文字起こしサービスになるわけではないと繰り返している。同様に、ラベルは1ファイルあたり最大8人の話者を区別するが、個人を特定するものではない。

重みとデータセットを公開することは開発者に具体的な資源をもたらす。だが、モデルの有効性がメーカー自身の指標だけで測られているかぎり、技術的な透明性は発表と本当の検証のあいだで足踏みしたままだ。

— Olya