NVIDIAが無料の文字起こしモデル公開 40言語対応
この記事の要点
NVIDIAが10月28日、無料で重みを公開する文字起こしモデルNemotron 3.5 Transcribeを発表した。録音を最大40言語で書き起こし、最大8人の話者を区別、31言語と英語の翻訳にも対応する。会議や取材の文字起こしを自社で回したい現場に効く。
NVIDIAが10月28日、無料で重みを公開する文字起こしモデルNemotron 3.5 Transcribeを発表した。録音を最大40言語で書き起こし、最大8人の話者を区別し、31言語と英語の翻訳にも対応する。会議や取材の文字起こしを自社の環境で回したい現場に向くモデルだ。
何が発表されたのか
NVIDIAの公開情報によると、Nemotron 3.5 Transcribeは録音済みの音声を文字に起こすモデルで、リアルタイムの書き起こしには対応しない。最大8人の話者を区別し、31の言語を英語との間で翻訳できる。重みが無料で公開されるため、自社のサーバーや端末で動かせる。
性能面では、公開重みのモデルを比べる音声認識の指標で首位に立ち、平均の誤り率は5.33%とされる。総パラメータは約300億で、そのうち約40億を実際に使う設計で、処理を軽くしている。あわせて、48言語で46万3062時間ぶんの音声を集めた学習用データも第2版として公開した。精度は言語や録音環境で変わるため、自社の音源で試してから使うのが安全だ。最新の対応言語や仕様は公式で確認してほしい。
文字起こしツールの選び方はAI議事録ツールおすすめ比較 自動生成の精度と選び方と会議向け文字起こしAIツール比較 選び方のポイントで整理している。翻訳の使い分けはAI翻訳ツール比較 DeepLと生成AIの使い分けが参考になる。
現場の実務にどう効くか
効くのは、外部サービスに音声を預けにくい現場だ。顧客との通話、採用面接、社外秘を含む会議などは、録音をクラウドに上げること自体がためらわれる。重みを自社で動かせるモデルなら、音声を外に出さずに文字起こしできる。月間の件数が多い部署ほど、外部サービスの費用も抑えられる。
一方で、自社運用には動かす環境と手間がかかる。まずは少数の録音で試し、話者の区別や専門用語の誤りがどの程度かを確かめる。誤りが多い語は辞書を整え、人が最後に目を通す前提にしておくと、議事録として使える品質になる。クラウドの手軽さと自社運用の安心を比べ、機密度の高い音声だけ自社で処理するといった使い分けも現実的だ。判断軸はクラウドとオンプレのAI 違いと選び方にまとめた。
まとめ
Nemotron 3.5 Transcribeは、無料で自社運用でき、40言語の録音を書き起こせる文字起こしモデルだ。機密性の高い音声を外に出さずに処理したい現場に効く。精度は自社の音源で確かめ、最新仕様は公式で確認したい。
出典
よくある質問
Nemotron 3.5 Transcribeは何ができるのか
録音した音声を最大40言語で文字起こしします。最大8人の話者を区別し、31の言語と英語の間で翻訳もできます。重みが無料で公開されるため、自社の環境で動かせます。ただしリアルタイムの書き起こしには対応せず、録音済みの音声が対象です。最新の仕様は公式で確認してください。
業務ではどう使えるのか
会議や取材、問い合わせ音声の文字起こしを、外部サービスに頼らず自社で回す用途に向きます。音声を外に出さずに処理できるため、機密性の高い録音でも扱いやすくなります。精度は言語や録音環境で変わるため、自社の音源で試してから本番に使うのが安全です。