NVIDIA、40言語の文字起こし・話者識別・翻訳・音声Q&Aを1つでこなすオープンウェイトの音声モデル Nemotron 3.5 Transcribe（ネモトロン）を公開学習データ Granary v2 も

NVIDIAは2026年10月28日（現地）、文字起こし・話者識別・翻訳・音声への質問応答を1つのチェックポイントで扱うオープンウェイトの音声モデル「Nemotron 3.5 Transcribe（ネモトロン 3.5 トランスクライブ）」を、Hugging FaceとModelScopeで公開しました。同時に、学習に使った多言語音声データの整備パイプラインとデータ一覧「Granary v2（グラナリー）」も出しています。ブログの公開は日本時間10月28日23時台です。

3行まとめ

1. NVIDIAがNemotron 3.5 Transcribeを公開。40言語を文字起こしし、31言語は英語との翻訳、13言語は話者識別に対応。1時間までの録音、最大8人の話者を扱える（NVIDIA発表）
2. Hugging FaceのOpen ASR Leaderboard英語でオープンウェイト1位（平均WER 5.33%）とNVIDIAは説明。モデルカードには同じ英語で4.71%という別の数字もある
3. Granary v2は48言語・463,062時間。NVIDIAの医療の事例では、取り置いた話者で微調整によりWERが22.44%から12.17%（相対45.8%減）。ライセンスはOpenMDW-1.1

本記事の内容は、日本時間10月28日23時台に公式ページで確認したものです。

何ができるモデルなのか

NVIDIAのブログによると、同じチェックポイントに自然言語で指示を変えるだけで、出力が変わります。ブログが例に挙げた指示は次の3つです。

• 「この録音を文字起こしして、話者ごとにラベルを付けて」
• 「この音声を英語に翻訳して」
• 「この会議で何が決まった？」

数字は次のとおりです。

そのほか、単語単位のタイムスタンプ、言語判定、「使ってよい用語」の候補を渡す文脈付きの文字起こしにも対応しています。

日本語は使えるのか

モデルカードの言語対応表では、日本語は文字起こし、英語との翻訳、複数話者の文字起こし、コードスイッチングの4列すべてに印があります。品質区分は、英語・ドイツ語・フランス語・韓国語などの「Leading（最先端か、それに近い）」ではなく、その下の「Production-ready（実運用水準）」です。

注意点が2つあります。

• 音声への質問応答は英語で学習されています。カードは、音声理解・推論・音声での指示は「英語のみで評価し、他の言語では確実に動かない可能性がある」と書いています。
• 日本語の誤り率の数字は、今回読んだ範囲ではブログ本文にはありませんでした。モデルカードの表（FLEURSなど）には日本語の行がありますが、本記事ではその値を検証していないため載せません。

日本語の会議録音に使う場合は、自社の録音で確かめるのが前提になります。

精度はどう発表されているのか

NVIDIAのブログは、次の順位と数字を挙げています。いずれも同社の説明です。

速度については、NVIDIAは「RTX PRO 6000 Blackwell Server Edition 1枚・NVFP4で、30秒のクリップを高い並列度で処理したとき、100時間分の音声を3分未満で処理できる」と書いています。

学習データ Granary v2 は何が入っているのか

ブログによると、Granary v2はNeMo Curatorで作った再利用できるパイプラインと、その公開マニフェストです。公開マニフェストは48言語・16のコーパス・463,062時間で、Granary v1の25言語から広がりました。ブログは、この数字は「データセットの公開分」であり、Transcribeの学習全体の配合や重みを示すものではないと断っています。

録音1件ごとに3つの書き起こし形式が付きます。

そのほか、短い音声キャプション、外来語のコードスイッチング復元、音声に基づく質問応答ペア、文脈付き認識用の用語、自動品質スコア付きの翻訳をパイプラインが作ります。音声ファイル自体は、各コーパスの元のライセンスに従って別に入手する必要があります。

医療用語への微調整はどこまで効いたのか

ブログとNeMoのGitHub文書は、Eka Careが公開しているインドの医師・医学生の録音（3,619件・8.4時間、テスト専用）を使った事例を載せています。学習用データがない状態から、生成した医療文と公開の医薬品カタログをもとにした合成音声（約153時間）に、Common Voiceのインド訛り英語（29時間）とMultiMedの医療音声（63時間）を混ぜて微調整したものです。

• 基準のモデルは、文字起こしを指示しただけだとWER 30.8%。「英語・ラテン文字で」と指定するだけで23.8%になりました。
• 微調整後は、全体のテストセットで11.8%（元の約62%減）です。ただしこのセットには、プロンプトと採用するチェックポイントを選ぶのに使った855件が含まれます。
• 話者で分けて取り置いた2,764件では、最良プロンプトの22.44%から12.17%へ、45.8%の相対減です。NVIDIAはこれを「新しい話者にも効くことの最も明確な証拠」と書いています。
• 同じ条件で動かした比較では、医療特化のオープンモデルが13.79%、Whisper-large-v3が14.92%でした。
• 一般英語（LibriSpeech test-clean）のWERは1.54%から1.69%へ、わずかに悪化しました。
• 作業は1枚のNVIDIA GB300でおよそ14 GPU時間です。GitHub文書は、1時間9ドルとして約125ドルと書いています。

事例の結果には、NVIDIA自身が書いている限界もあります。薬のブランド名と検査名の完全一致では、医療特化モデルがまだ上でした（ブランド名は38.3%対36.6%）。GitHub文書は、実際の医師がブランド名を言う録音を集めることが次の手だと書いています。

私が公式ページで確認して気づいたこと

日本時間23時59分台にページを取得して比べたところ、英語の平均WERの数字が2つ見つかりました。ブログ本文は、Open ASR Leaderboard英語の平均を5.33%と書いています。モデルカードの「Results at a Glance」は、同じOpen ASR Leaderboardの英語・9つの公開データセットの平均を4.71%と書いています（次点はQwen3-ASR-1.7Bの4.94%）。カードの数字は「10月12日時点」の取得と明記されています。2つの差の理由は、今回取得したページには説明が見当たりませんでした。比較の際は、どちらの数字かを区別する必要があります。

また、ブログがリンクしているGranary v2のデータセットページ（huggingface.co/datasets/nvidia/Granary-v2）は、私の取得ではHTTP 401が返り、中身を読めませんでした。このため、Granary v2に関する数字は、すべてNVIDIAのブログ本文に書かれたものに限っています。

今回確認できていないこと

• 費用：ブログはBaseten、DeepInfra、Simplismartのホスト型エンドポイントを挙げていますが、今回取得したページには料金の記載は見当たりませんでした。
• ライセンスの中身：OpenMDW-1.1の条文は確認していません。モデルカードは、利用者が配布物に含まれる第三者ライセンスも守るよう求めています。
• 性能の再現：本記事の数字はすべてNVIDIAと各リーダーボード運営者の掲載値で、私が試したものではありません。
• 処理速度：モデルカードによると、最適化したvLLM実装（NIM）は、まだオープンソース版に含まれていません。リリース日にNeMo Speechに入ったvLLM連携は「開発用で、およそ2倍遅い見込み」と書かれています。ブログの「100時間が3分未満」がどの実装での測定かは、ブログには書かれていません。モデルカードは同じGPU・NVFP4での最適化版（NIM）の数字として「1秒あたり最大2,238秒分の音声」を挙げており、公開版で同じ速度が出るとは限りません。
• ブログ自身の注意：ブログは「どの音声モデルでも、固有名詞・話者の切り替わり・回答は録音と照らして確認を」と書いています。

関連記事として、NVIDIAの同じ世代のオープンモデルは Nemotron 3.5 Super VL の記事に、音声の文字起こしモデルの別の発表は Grok Voice Transcribe 2.0 の記事にあります。

出典と確認時刻

• NVIDIA「NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt」（Hugging Face ブログ、2026年10月28日）: https://huggingface.co/blog/nvidia/nemotron-transcribe-granary
• NVIDIA-Nemotron-3.5-Transcribe-30B-A4B モデルカード: https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
• NVIDIA NeMo「Medical ASR from a test-only benchmark, with synthetic data」（GitHub）: https://github.com/NVIDIA-NeMo/Speech/blob/main/examples/speechlm2/finetuning/docs/medical-asr-synthetic-data.md

確認時刻は、いずれも日本時間2026年10月28日23時59分台です。Granary v2のデータセットページは取得時にHTTP 401が返ったため出典に含めていません。

本記事は続報があり次第更新します。