NVIDIAの新音声AI、無料で日本語の文字起こしと翻訳をこなす

会議やインタビューの録音を聞き直して文字に起こす作業は、それだけで時間を取られる。無料の文字起こしツールはいくつもあるが、たいていは「ただ文字にするだけ」だ。誰がどこを話したかを分けたり、英語に訳したりするには、また別の有料サービスを探すことになる。

NVIDIAが2026年10月28日に公開した音声認識モデル「Nemotron 3.5 Transcribe」は、この面倒を1つのモデルで引き受ける。日本語を含む40言語の文字起こしに対応し、商用利用も無料。話者を分ける作業も、英語に訳す作業も、同じモデルに指示文で頼める(Hugging Faceモデルカード)。どこまで無料で、日本語でどれだけ実用に足りるのかを確かめた。

会議の録音を、無料で文字にする

Nemotron 3.5 Transcribeは「オープンウェイト」のモデルだ。ChatGPTのようなクラウドのAIチャットとは違う。モデルの中身(重みファイル)そのものをHugging Faceからダウンロードして、自分のPCやサーバーで動かせる。クラウドに音声データを送らずに済むので、社外に出したくない会議の録音を扱うときの選択肢になる。

ライセンスは「OpenMDW-1.1」だ。モデルカードには「commercial or non-commercial use」のどちらにも使えると明記されている(同モデルカード)。つまり、自分の会社の業務で使っても、追加のライセンス料はかからない。

公開は2026年10月28日で、Hugging Face、GitHub、NGCなど複数の場所で同時に行われた(NVIDIA公式ブログ)。文字起こしだけなら、これまでも無料のツールはあった。この新しいモデルが何を加えたのかを、次に見る。

文字起こしだけではない、同じモデルに頼めること

このモデルの特徴は、1つのチェックポイントに複数の作業を任せられる点にある。同じ会議の録音でも、指示文を変えるだけで使い分けられる。「話者ラベルを付けて文字起こしして」「英語に訳して」「会議で決まったことを要約して」のように頼み方を変えればよい(Hugging Face公式ブログ)。

話者を聞き分ける部分には、2026年9月に公開された専用モデル「Nemotron 3 Diarization」に由来する話者エンコーダーが使われている。パラメータ数は約9,900万で、そのまま組み込まれた(Hugging Faceモデルカード)。話者分離専用だった技術が、文字起こし・翻訳とひとまとめのモデルの一部品になった形だ。

専門用語のリストを渡して、「音声で実際に発音された場合だけその表記を使う」という指示もできるという。医療や法務のように、固有の用語の綴りを正確に残したい場面を想定した機能だ。

ただし、この指示文まかせの機能には範囲がある。録音の内容について質問に答える「音声Q&A」は英語のデータで学習されている。モデルカードは「他の言語では確実に動くとは限らない」と注記しており、録音の内容について会話するような使い方は今のところ英語が前提になる(同モデルカード)。

では、文字起こしと翻訳そのものは、日本語でどこまで使えるのだろうか。

日本語ではどこまで使えるか

モデルカードには、言語ごとに「文字起こし」「英語との翻訳」「話者分離」「言語の混在(コードスイッチング)」のどれに対応するかをまとめた表がある。日本語はこの4つすべてに対応している。

(出典: Hugging Faceモデルカード「Language Support Matrix」)

品質レベルはモデルカードが3段階で定義している。「Leading」は「最初から最先端、またはそれに近い品質」を指す。日本語が属する「Production-ready」は「実用レベルの品質」だ。残る「Supported」は「対応はしているが、追加の調整が必要な場合がある」という意味になる(同モデルカード)。日本語は最上位の「Leading」ではないが、機能そのものはすべて使える実用段階にある。

具体的な誤り率も公開されている。文字起こしの誤り率(CER、文字単位で低いほど良い)は、FLEURSという評価用データセットで4.42%、CoVoST2で10.61%。英語との翻訳精度(BLEU、高いほど良い)は、日本語から英語がFLEURSで23.00、英語から日本語が29.73となっている(同モデルカード)。数字だけでは実感しにくいが、この精度が無料の他のモデルと比べてどの位置にあるのかを、次に見る。

精度は無料モデルの中でどのくらいか

Hugging Faceが運営する「Open ASR Leaderboard」は、オープンウェイトの音声認識モデルを同じ条件で比べたランキングだ。このランキングでの文字起こしの誤り率(WER、単語単位で低いほど良い)を見ると、Nemotron 3.5 Transcribeは英語9データセットの平均で4.71%。同じランキングの次点モデル(Qwen3-ASR-1.7B)の4.94%をわずかに下回っている(同モデルカード)。

差がより大きく出るのは多言語の平均だ。

7言語の平均誤り率で見ると、Nemotron 3.5 Transcribeの4.62%に対し、次点のオープンウェイトモデルは6.49%だった(同モデルカード)。英語だけでなく、複数の言語をまとめて評価したときも、公開されているオープンウェイトモデルの中では誤りが少ない部類に入る。

この数値はいずれもモデルカードに記載された自己評価で、第三者による独立した再現結果ではない。モデルカード自身も、ベンチマークごとに条件が異なるため、異なるベンチマーク間のスコアを直接比較すべきではないと注記している。ここで扱ったのは、同じOpen ASR Leaderboard内での比較に限っている。

精度は分かった。もう1つ謳われているのが処理の速さだ。この数字がどんな条件で出たものかを、最後に確かめる。

うたわれた速さは、今すぐ試せるのか

モデルカードには「30秒の録音なら0.13秒で文字起こしが返る」という数字がある(同モデルカード)。これを束ねると、1台のGPU(RTX PRO 6000 Blackwell Server Edition)で、1秒間に最大2,238秒分の音声を処理できる計算になる。NVIDIAの公式ブログは、これを「100時間分の音声を3分足らずで処理できる」と言い換えている(Hugging Face公式ブログ)。自分はこの数字を見て、100時間という量の見積もりが完全に狂った。聞き直すだけで4日以上かかる録音を、昼休みの間に片付けられる計算になる。

この速さを支えているのは2つの工夫だ。1つは「MoE(専門家混合)」という設計で、モデル全体は340億パラメータあるが、1つの単語を処理するたびに実際に働くのは43億パラメータ程度で済む。もう1つは「量子化」と呼ばれる工法で、計算に使う数値の精度を落として処理を軽くする。動画の画質を少し落としてファイルサイズを小さくするのに近い発想だ。

ただし、この最速の数字には前提がある。「100時間を3分足らず」は、NVFP4という量子化版のモデルを使い、30秒ごとの録音を高い同時実行数でまとめて処理した結果だ。このNVFP4量子化版は、この記事を書いている時点ではまだ公開されておらず、「近日公開予定」とされている(NVIDIA公式ブログ)。今Hugging Faceからすぐに使えるのは、精度を落としていないベースモデル(BF16)だ。開発者向けに公開されているvLLMでの動かし方についても、モデルカードは「開発用で、最適化された実装よりおよそ2倍遅い」と説明している(同モデルカード)。

つまり、今日から試せるのは「100時間を3分」という数字そのものではなく、それでも十分に速い無料のベースモデルだ、ということになる。実際、ベースモデルをH100 GPUでバッチ処理したときの実測でも、処理した音声の長さが実時間の270倍から410倍という数値が示されている(同モデルカード)。100時間の録音なら、15分から22分ほどで処理が終わる計算になる。

試すには何が必要か

• ベースモデル(BF16)はHugging Faceで公開済み。量子化版(FP8・NVFP4)は近日公開予定
• デプロイにはvLLM、またはNVIDIAのNeMo-Speechを使う
• 想定されている動作環境は、個人向けのRTX Spark・DGX Spark・Jetson AGX Thorから、データセンター向けのBlackwell GPUまで幅がある(NVIDIA公式ブログ)

まとめ

NVIDIAが公開したNemotron 3.5 Transcribeは、商用利用も無料のオープンウェイトモデルで、日本語を含む40言語の文字起こしに対応する。日本語は最上位の「Leading」ではないが、文字起こし・翻訳・話者分離のすべてに対応する「Production-ready」の水準にある。具体的な誤り率も公開されている。

最大の特徴は、話者分離や翻訳、要約までを1つのモデルに指示文で頼める点だ。精度も、公開されているオープンウェイトモデルの中では上位にある。「100時間を3分」という最速の数字はまだ公開されていない量子化版を前提にしているが、今すぐ使えるベースモデルだけでも、実時間の数百倍の速さで処理できる。会議や取材の録音を手元で片付けたい人にとって、試す価値のある選択肢が増えたことになる。