NVIDIA Nemotron 3.5 Transcribe（2026年）：40言語オープンASRの実力と落とし穴
「ようやく全員が同時に発言するスタンドアップミーティングを追えるモデルが出た」。Nemotron 3.5 Transcribeのリリース翌日、X上でそんな声が広まった（@humayun_x, 2026年10月28日）。
2026年10月28日、NVIDIAはNemotron 3.5 Transcribeを公開した。30B規模のMoE（Mixture of Experts）アーキテクチャを使い、書き起こし・翻訳・話者分離を1モデルで処理する自動音声認識（ASR）AIだ。HuggingFaceのOpen ASR Leaderboard英語部門でオープンウェイト首位（WER〈単語誤り率〉5.33%）を名乗り、DeepInfraでのAPI価格はOpenAI Whisper APIの3分の1という数字を打ち出した（NVIDIA AI, 2026年10月28日）。
一方でHacker Newsには別の反応もある。「GPUを選ぶ。NVIDIAのGPUを」（HN, 2026年10月28日）。BF16フルモデルにはH100 80GBが必要という制約が、オープンウェイトとしての使い勝手に影を落とす。
- 会議録音・インタビュー音声の書き起こしを自社システムで処理したい開発者・エンジニア
- Whisperや外部ASR APIのコストや精度に限界を感じているMLエンジニア
- 多言語コンテンツの文字起こしパイプラインを構築したい企業担当者
モデルの全体像：1本のモデルが4役をこなす
Nemotron 3.5 Transcribeの設計思想は「タスクを一本化する」ことだ。従来、高品質な音声処理には複数モデルのパイプラインが必要だった。ASRモデルで文字起こし、別モデルで翻訳、さらに別のモデルで話者分離、という構成だ。
このモデルはそれを一つにまとめる。書き起こし・英語への翻訳・話者分離・単語レベルのタイムスタンプを1回の推論で処理できる（NVIDIA Research, 2026年10月28日）。
アーキテクチャは3コンポーネントで構成される。音声エンコーダー、話者エンコーダー（Nemotron 3 Diarizationモデルを凍結状態で使用）、そして言語モデルにNemotron 3.5 Lightningの30B MoEを使う。モデル名の「30B-A4B」はLMバックボーン30B・推論時アクティブ4Bを指す。エンコーダーを含めた実際の総パラメーター数は約34Bとされる（eesel.ai, 2026年10月）。
対応言語は書き起こし40言語、英語への翻訳31言語、話者分離13言語。1ファイルあたり最大60分の音声を処理でき、同時に最大8人の話者を識別できる。Whisperが30秒チャンクに刻む必要があるのと対照的だ。
注意が必要なのは「どこから使うか」でできることが変わる点だ。vLLM＋NeMo Speechの構成ならすべての機能が利用できるが、シンプルなSGLang-Omni 0.2.0では書き起こしのみ。タイムスタンプ・話者ラベル・翻訳は利用できない（Nicolas Deville, 2026年10月）。
ベンチマーク：Whisperと比べて実際どう違うか
NVIDIAが公開した数字は強い。自社テクニカルレポートによる英語9データセット平均WERはNemotron 4.71%に対しWhisper large-v3 6.66%。長時間音声WERはNemotron 10.98% vs Whisper 13.92%。7言語多言語WERでもNemotron 4.62% vs Whisper 7.94%（XenoSpectrum, 2026年10月）。
Artificial AnalysisのAA-WERでは2.81%でオープンウェイト首位タイとされている。タイ相手はMistral Voxtral Small（2.77%、アクティブ24B）で、Nemotronはアクティブ4Bで同等の精度を出している点がポイントだ（@ArtificialAnlys, 2026年10月28日）。
話者分離でも同様の主張がある。VoiceArena英語テストでcpWER（話者分離込み単語誤り率）32.4%、14システム中1位とNVIDIAは報告している。同テストで最下位のシステムは71.9%で大きく差が開くとされる（NVIDIAテクニカルレポート, 2026年10月）。
ただし、ここで冷静になる必要がある。リリースから2日時点では、これらの数字はほぼすべてNVIDA自身が報告したものだ。独立した第三者によるブラインド評価はまだ公表されていない。Artificial AnalysisはNVIDIAとは別機関だが、それでも一部の数字はNVIDIAが公開したモデルを使って評価している。
また、同一ASRシステムでもベンチマークが変わると数字が大きく変わる。評価セットが異なれば同じモデルでも10ポイント以上の差が出ることも珍しくない。NemotronでいえばNVIDAが自社で出した4.71%と5.33%という2つの数字の差が、そのことを如実に示している。
LibriSpeechのtest-cleanに限ればWER 1.09%という突出した数字も出ているが、読み上げ音声の整った環境であることを割り引く必要がある。会議音声や電話音声では性質が変わる。
デプロイ実態：H100 80GB必須という現実
「オープンウェイト」という言葉から気軽にローカル実行できるイメージを持つと、最初の仕様で躓く。BF16フルチェックポイントの動作確認済み環境はH100 80GBだ（HackerNoon, 2026年10月）。
量子化バリアントも存在する。FP8版とNVFP4版はいずれもRTX PRO 6000 Blackwell（96GB）で検証済みとされている。最速のNVFP4版は1秒あたり2,238秒分の音声を処理できる数字を出しているが、BF16版と比べてWERが約3.6%高くなるとNVIDIAは記載している。
設定ミスで機能が落ちる点も現実的な問題だ。デフォルトのままでは音声の最大処理時間が10分に制限される。VLLM_MAX_AUDIO_DECODE_DURATION_S=3600の設定が必要だ。単語タイムスタンプはV1ランナーでしか動かないためVLLM_USE_V2_MODEL_RUNNER=0も要る。インストール時にはOpenCVをNeMoとは別途追加する必要もある（Nicolas Deville, 2026年10月）。
手軽に試すならDeepInfraのAPIが現実的な選択肢だ。$0.002/分（DeepInfra, 2026年10月）で動き、OpenAI互換エンドポイントで接続できる。GPUを用意せずにWhisper比較を試すハードルは低い。NVIDIAのNIMプラットフォーム（build.nvidia.com）でも試用クレジット付きで利用できる。
実際のユーザー評価：光と影
リリースから2日という短さのため、本格的な検証レポートは限られている。それでも出てきた声は興味深い。
Wavectのプロダクション評価レポートはこう表現した。「多言語ボイスエージェントの自己ホスト候補として有力だ。ただしゼロコストのターンキーソリューションではない」（Wavect, 2026年10月）。性能を引き出すには環境構築のコストがかかるという評価だ。
一方、日本語音声の試験では厳しい報告も出ている。4bitコミュニティ量子化版でテーマ曲に英語歌詞が混じる日本語コンテンツを流したところ「3回連続で盛大に失敗した」とHNに報告されている（eesel.ai経由の二次情報, 2026年10月）。量子化による精度劣化と英語単語混在時の言語切り替え弱点が重なった結果とみられる。公式モデルカードも「コードスイッチング（言語混在）は弱点」と明示している。
NVIDIAも公式に認めている問題がある。モデルカードには幻覚（hallucination）、誤った言語検知、話者の誤帰属が起こりうると記載されている。生成ループも対策が必要で、NVIDIAは専用クリーンアップ正規表現を提供し、max_tokensの上限設定を推奨している。
カバレッジの面ではWhisperに及ばない。Whisperは99以上の言語に対応するが、Nemotronは40言語だ。Mandarin遠距離マイク会議音声（AliMeeting）のcpCER 34.95%は公開されているベンチマーク中で最も厳しい数字だ。
一方、話者分離の品質差は顕著だ。13言語に限定されるとはいえ、VoiceArenaのcpWER 32.4%（1位）は下位システムの71.9%と倍以上のギャップがある。会議録音の書き起こしで「誰が話した発言か分からなくなる」問題を扱うエンジニアには、この点は大きなアドバンテージだ。Mistral Voxtral 3のような音声エージェント用途との使い分けも検討に値する。
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年10月28日 |
| パラメーター | 約30B（LMバックボーン）/ 約34B（エンコーダー込み）/ アクティブ約4B |
| 対応言語 | 書き起こし40言語 / 英語翻訳31言語 / 話者分離13言語 |
| 最大音声長 | 60分 |
| 最大話者数 | 8人 |
| WER（英語9データセット平均） | 4.71%（NVIDIA自社ベンチ） |
| WER（HF Open ASR Leaderboard） | 5.33%（オープンウェイト首位） |
| API価格 | $0.002/分（DeepInfra） |
| 推奨GPU（BF16） | NVIDIA H100 80GB |
| ライセンス | OpenMDW-1.1（商用利用可・帰属義務あり） |
使うべきか：判断基準まとめ
H100 80GBが確保できる環境なら、vLLM＋NeMo Speechでのセルフホストが最大のメリットを引き出す選択肢だ。APIコスト試算が主目的なら、まずDeepInfraで既存Whisperパイプラインをそのまま差し替えて比較する。話者分離が不要なら、より軽量なWhisper large-v3の方がデプロイコストが低い。日本語コンテンツが中心で英語単語の混在が多い場合は、コードスイッチング弱点を念頭に置いて事前テストを行うこと。
音声AIの次の一手を考えるなら
Nemotron 3.5 Transcribeは、H100が確保できる環境での自社ホスト、またはDeepInfra経由のAPI利用が現実的な出発点だ。まずはDeepInfraのOpenAI互換エンドポイントで既存のWhisperパイプラインをそのまま試せる。NVIDIA NIMの無料クレジットでも試用が可能だ。
関連リンク
- Mistral Large 4（Le Chonk）：1兆パラメーター欧州最大オープンモデルの実力と課題
- Mistral Voxtral 3レビュー：音声エージェントSDKの実力
- エージェント時代のコーディングとエンジニアの役割変化
本記事の情報はすべて2026年10月30日時点のものです。ベンチマーク数値は特に断りのない限りNVIDIAの自社テクニカルレポートに基づきます。第三者による独立した検証が出た場合は更新します。価格は変動する場合があり、DeepInfraおよびNVIDIA NIMの公式ページで最新情報を確認してください。本記事は特定製品の導入を推奨するものではありません。実環境での性能は異なる場合があります。
