【23 Daily】Product Huntの製品ページによると、NVIDIAは2026年10月28日にNemotron 3.5 Transcribeを発表した。このオープンなスピーチ大規模言語モデル（LLM）は40言語のリアルタイム転写をサポートし、逐語的および書面形式の転写を可能にする。文脈理解や話者属性、単語単位のタイムスタンプ機能も備えている。Nemotron 3.5は英語および多言語のOpen ASRランキングで最高のオープンウェイトモデルに位置し、自然言語の指示で転写スタイルを選択可能で再学習を不要としている。
Nemotron 3.5の技術構造と主な特徴
Nemotron 3.5 TranscribeはTransformer音声エンコーダと凍結されたNemotron 3 Diarizationモデル、約43億パラメータを持つNemotron 3.5 Lightning 30B-A3BハイブリッドMamba–Transformer混合専門家LLMを組み合わせている。単一モデルで逐語的、書面形式、文脈対応、話者属性付きなど多様な転写を行い、40言語の音声翻訳や言語識別にも対応。録音は最大1時間まで処理でき、必要に応じて話者属性付き単語レベルのタイムスタンプを返す。転写スタイルは自然言語指示で選択可能で、再学習は不要である。
多人数が重なる音声に対する話者属性付きASRの精度は業界最先端で、専門的な連結システムを上回る。公的英語テストセット9種で平均単語誤り率（WER）は4.71%、多言語版は4.62%。文脈情報を与えることで固有表現認識の誤りを6分の1に削減可能だ。
効率的な推論と訓練手法
推論効率向上のため、Nemotron 3.5はネイティブのマルチトークン予測(MTP)推測デコーディングとDFlash2ドラフトモデルを利用。RTX PRO 6000 Blackwell GPU 1枚でNVFP4チェックポイントは1秒あたり約2,238秒の音声を転写可能である。
訓練では監督バランスを取ったデータ混合を用い、凍結された話者分離モデルからの話者活動情報をASRエンコーダに組み込み、LLMの構造変更なしで話者属性付き転写を実現。監督付きファインチューニングと強化学習を経て、多言語と多様なタスク指示に対応。実務的なプロンプトとファインチューニングにより、単一GPUで0.5～2.3時間の研修で新言語やドメイン適応が可能。
編集部の視点：起業家にとっての機会と検証方法
Nemotron 3.5 Transcribeの多言語・話者属性・柔軟な指示対応能力の統合は、音声対話、会議転写、カスタマーサポート、コンテンツ制作などの領域に挑むスタートアップにとって画期的な技術だ。オープンウェイトとファインチューニングツールの提供により、カスタム転写サービス開発のハードルが下がっている。
適用可能性を検証するには、対象市場や独自の多言語音声データでテストを実施し、話者属性の精度、タイムスタンプの詳細、自然言語命令による転写品質を評価。既存ソリューションとの速度・精度比較を通じて技術統合や用途の適合性を探ることが重要。効率性により限られたハードウェア資源でもリアルタイムまたは準リアルタイムサービスを展開可能で、商業価値創出の可能性が広がる。