AIニュース · Nvidia · 音声AI
Nvidiaの無料モデルNemotron 3.5 Transcribe、40言語に対応
このオープンウェイトモデルは、文字起こし、翻訳、話者のラベル付けを1回の処理でこなします。Nvidiaによると、GPU 1枚で動かせます。
Nvidiaは2026年10月28日、誰でも重みをダウンロードして実行できる無料の音声モデル、Nemotron 3.5 Transcribeを公開しました（TechCrunch）。Nvidiaによると、最大40言語の音声を文字に起こし、最大8人の話者を区別できます。英語と31言語の間の翻訳にも対応するとのことです。長さ1時間までの録音が対象で、ライブ配信には対応しないとTechCrunchは伝えています。
Transcribeは話者ラベル付けと翻訳も1つでこなすため、一般的な文字起こし環境で音声が通る複数の工程を、モデル1回の実行で置き換えられるとSiliconANGLEは報じています。翻訳や会議での決定事項の抽出など、出力させたい内容は、文章での指示であるプロンプトで伝えます。パラメータ（モデルを構成する学習済みの値）数は30billionで、1回のリクエストで使うのはそのうち4billionです。Nvidiaによると、Blackwell搭載のデータセンター向けカードから小型のDGX SparkやJetsonまで、GPU1枚に収まり、必要な圧縮の度合いはハードウェアによって変わります。モデルのもとになった無料の音声データセットGranary v2も、同じ日に公開されました。
こうしたカードのレンタル料金は、2026年10月24日に確認した当サイトのクラウドGPU料金表にあります。Blackwellカードの1つで、メモリ96 GBのRTX PRO 6000は、Vast.aiの最安の認証済みホストで1時間あたり1.08ドル、RunpodのCommunity Cloudで1.69ドルです。
16ビット精度では、30billionパラメータは約60 GBで、RTX PRO 6000の96 GBに収まります。すでに動画制作のためにこのカードを借りているチームなら、動画の処理の合間に広告ナレーションの字幕付けと翻訳をこのカード上で実行でき、費用は支払い済みの時間単価のみで、分単位の文字起こし料金はかかりません。
