※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
2026年10月29日、NVIDIAはオープンウェイトの音声認識・分析モデル「NVIDIA Nemotron 3.5 Transcribe」およびオープンデータパイプライン「Granary v2」を発表しました。これらはHugging FaceおよびModelScopeで公開されています。
Nemotron 3.5 Transcribeは、音声の文字起こし、話者の識別（ダイアライゼーション）、翻訳、音声質問応答を1つのチェックポイントに統合したプロンプト可能なモデルです。40言語の文字起こし、31言語から英語への（または英語からの）翻訳、13言語での話者識別に対応しており、最長1時間までの録音と最大8人の話者を処理できます。また、量子化バージョンもサポートされており、RTX Spark、DGX Spark、Jetson AGX Thorでのローカル実行や、BlackwellデータセンターGPUでのスケーリングが可能です。
オープンウェイトモデルのHugging Face Open ASR Leaderboard（英語）で1位を獲得し、Artificial Analysisの精度・アクティブパラメータのフロンティアに位置しています。また、David AIの21言語話者識別リーダーボードで最低エラー率を記録し、VoiceArenaの14システム比較でも1位にランクインしています。
同時に公開されたGranary v2の多言語データと再利用可能なキュレーションパイプライン、NeMo Speechのファインチューニングツールを用いることで、開発者はトレーニング時のプロンプト制御を拡張し、アプリケーションが直面する音声に適応させることができます。医療分野のケーススタディでは、ファインチューニングにより、保持された話者に対する単語誤り率（WER）が最良のプロンプトと比較して45.8%削減されました。
この記事のポイント
- 多機能の統合: 音声の文字起こし、話者識別、翻訳、音声質問応答を1つのモデルで処理します。
- 自然言語によるガイド: プロンプトによって、文字起こし、翻訳、会議の決定事項抽出などの多様な出力を指示できます。
- 高いリーダーボード評価: Hugging Face Open ASR（英語）やDavid AIの話者識別リーダーボードなどで上位の成績を収めています。
- ローカルからクラウドまで対応: 量子化モデルにより、エッジデバイスからBlackwellデータセンターGPUまで幅広い環境で実行可能です。
- Granary v2による適応: オープンデータパイプラインとファインチューニングツールを用いて、ドメイン固有の語彙やアクセントに適応させることができます。
考察（筆者の見解）
事実：Nemotron 3.5 Transcribeは40言語の文字起こしや31言語の翻訳、最大1時間の音声処理に対応し、オープンデータパイプラインGranary v2と組み合わせることで医療分野のファインチューニングにおいて単語誤り率を45.8%削減した実績が示されています。
推測：自然言語プロンプトによる柔軟な音声制御や、エッジデバイスからデータセンターGPUまでカバーする量子化サポートにより、音声認識システムの導入コストや開発負担が大幅に軽減される可能性があります。また、Agoraの授業リプレイ事例のように、単語レベルのタイムスタンプを活用したリアルタイム性の高い教育・コミュニケーションツールへの応用がさらに広がると見られます。
意見：筆者は、従来の音声認識モデルが抱えていた「特定ドメインの専門用語の誤認識」や「話者分離の精度不足」といった課題に対し、プロンプト制御とデータパイプラインを一体で提供するアプローチは、実務へのAI導入を加速させる極めて有効な手法であると考えます。
コメント