米NVIDIAは音声拡張言語モデル「Nemotron 3.5 Transcribe」を発表した。
40言語の音声を対象に、話者の識別や翻訳、表記方法の調整を単一モデルで実行する。用途に応じた文字起こしを自然言語の指示で切り替えられる点が特徴だ。
40言語に対応、話者識別と表記調整を統合
従来の音声認識システムは、数字を読み上げどおりに記すか、算用数字にするかといった表記規則を、主に学習時に決めていた。
2026年10月28日、NVIDIAは、こうした制約に対応する音声拡張言語モデル「Nemotron 3.5 Transcribe」を公開した。
同モデルは、発話をそのまま記録する逐語転写から、言いよどみを整理した文章への変換まで、指示に応じて出力を調整できる。
構成には音声用のTransformerエンコーダー、話者を識別する既存モデル、Nemotron 3.5 Lightningを採用した。
内部の専門家ネットワークを選択的に活用する構造で、推論時に動作するパラメータは約43億。
最大1時間の録音を処理し、必要に応じて話者別の単語単位の時刻情報も返せる。
性能評価では、公開された英語音声認識ベンチマーク9種の平均単語誤り率（※）が4.71％、多言語の評価では4.62％を記録した。
NVIDIAは公開重みモデルで最高水準と説明している。
また、想定される固有名詞の一覧を与えることで、ContextASR-Benchでの固有名詞の誤りを6分の1に削減したという。
複数人の発話が重なる会議や通話でも、誰が何を話したかを対応付ける性能を重視した。
処理速度については、RTX PRO 6000 Blackwellを1基使用した特定構成で、音声1秒当たり最大2238秒分を転写できたとしている。
モデルの重みと追加学習用ツールも公開し、用途別の複数形式を用意した。
※単語誤り率（WER）：音声認識の精度を測る指標。正解の文字起こしに対して、単語の置換・削除・挿入がどの程度発生したかを示す。一般に数値が低いほど認識精度が高いが、言語や評価データによって結果は異なる。
議事録や専門業務への応用期待、運用上の検証も重要
自然言語による転写形式の指定は、会議記録やインタビューの作成工程を変える可能性がある。
たとえば逐語的な証跡を残す場面と、読みやすい議事録を作る場面で、別々の音声認識モデルを用意せずに対応できれば、導入・管理の負担を抑えやすい。
話者と発言時刻の対応付けは、会議の論点整理や発言の追跡にも役立つだろう。
事前に専門用語や製品名を指定できる機能は、医療、法務、技術分野など、固有名詞の誤認識が問題になりやすい現場で価値を持つと考えられる。
公開された重みを活用すれば、自社の業務に合わせた追加学習も選択肢となる。
一方、低い平均誤り率が個々の録音での正確さを保証するわけではない。
雑音や話者の重なり、専門用語、言語の切り替えによって結果が変わる可能性があり、重要な記録では人による照合が不可欠だ。
音声データを扱う以上、個人情報や機密会話の管理にも注意が求められる。
さらに、提示された高速処理の数値は特定のGPUと推論設定に基づくものであり、一般的な環境で同じ速度が得られるとは限らない。
今後は実際の業務音声で精度と費用対効果を検証し、転写結果をどこまで自動処理につなげられるかが普及の鍵となる。
関連記事:
NTTが双方向型音声対話AIを開発 他社比で応答時間を50％以上短縮
GoogleがAI音声文書作成機能「Docs Live」を発表 スマホで話すだけで資料の下書きを生成
