NVIDIA Nemotron 3.5 Transcribeとは

NVIDIA Nemotron 3.5 Transcribeとは、録音から文字起こしや翻訳を行うNVIDIAの音声認識モデルです。2026年10月28日にモデルの重み(学習で調整された数値)が公開されました。自社で選んだサーバーに設置し、会議や取材の録音を後から処理する用途が想定されています。

日本語の録音には何が返る?

モデルカードでは日本語を含む40言語の対応表を参照できます。日本語の行に載っているのは、文字起こしや、日英間の翻訳、話者ごとの文字起こしなどです。ただし日本語の品質の区分は、3段階のうち上から2番目の「製品として使える水準」。話者ごとの文字起こしの精度は、英語と中国語の会議録音でしか公表されていません。会議の音声を日本語のまま記録するか、英語に訳して共有するかで、モデルへの指示を変えます。

話者の区別には、同社のNVIDIA Nemotron 3 Diarizationの話者判別部分を組み込んでいます。「話者1」などの表示は、録音内で声を区別するための目印。氏名を特定する証明には使えません。また、単語の時刻や話者ごとの文字起こし、翻訳は、動かすソフトによっては使えません(モデルカードが紹介する実行方法の一つでは、いずれも対象外)。使いたい機能が、採用予定の構成で動くかを先に確かめておくとよいでしょう。

録音をどこで処理するか

NVIDIAは重みに加え、このモデルをGPU(大量の計算を並行して処理する装置)で動かすためのNVIDIA NIMも配布しています。モデルカードは商用・非商用のどちらでも使えるとしており、重みに適用されるOpenMDW License 1.1は使い方に制限を設けていません(再配布するときは、契約の写しと著作権表示を残す決まり)。一方、NIMはNVIDIAのソフトウェア利用契約に従います。NIMの利用条件とモデルの条件は別々に確認しましょう。

たとえば問い合わせ録音を社外の文字起こしサービスへ送れない場合、自社で管理する環境で動かす構成を検討できます。その場合も、録音の保管場所と、文字になった通話を誰が見られるかは自社で決める事項です。重みは無料で入手できても、サーバー代や保守の手間は残ります。モデルカードが標準とする構成は、NVIDIAのGPU「H100」(80GB)1枚です。モデルカードとNIMのページには、利用量に応じた料金表は載っていません。

Topic30秒ずつ計算しても、30秒ごとの字幕配信ではない

モデルカードによると、内部では音声の特徴を30秒分ずつに区切って処理します。これはモデルの中での計算の単位で、録音が30秒までしか使えないという意味でも、30秒ごとに字幕が届くという意味でもありません。ライブ通話の字幕が必要なときは、仕様にリアルタイム配信への対応が書かれた別のモデルを選びます。

NVIDIA Nemotron 3.5 Transcribeに関するよくある質問

1回でどの程度の長さの録音を処理できますか?
モデルカードは最長1時間の録音を想定しており、それより長い録音での動作は保証していません。モデルカードの手順で使う実行ソフトvLLMは、初期設定では10分までしか読み込まないため、長い録音では設定の変更が要ります。
音声に出てくる社名を事前に伝えられますか?
NVIDIAのモデルカードでは、録音と一緒に語彙のヒントを文章で渡せます。担当者が正解を知っている録音で、何も渡さない場合と比べてから使うと効果を判断できます。

あわせて読みたい記事