2026.10.28 WED15:00 JSTNVIDIA
NVIDIA文字起こしモデル
今日試せるオープン重みで即時利用可能
会議の文字起こしや話者の分け、翻訳を1つの指示でまとめてこなせるオープンな音声AI。
- 文字起こし・話者識別・翻訳を1プロンプトで処理する音声モデルが公開された
- 約43億パラメータで40言語に対応しローカル環境での推論に最適化された
- NVIDIA Appにアプリとエージェント間でGPUリソースを配分する管理機能がついた
目線
独自用語を含む会議録音の文字起こしや要約システムを、クラウドへデータを送らず自社ローカル環境で構築できる。
対象
音声認識AI構築エンジニア、ローカルAI開発者
使える場面
- 社内会議の録音データから話者別の発言作成と英語翻訳を一斉処理
- ローカル端末のNVIDIA AppでバックグラウンドエージェントのGPU割り当てを調整
試すなら
Hugging Faceからモデル重みをダウンロードして推論パイプラインをテストする
確認点
ローカル実行用の量子化版（NVFP4等）は順次提供予定
背景
従来は文字起こし、話者分離、翻訳に複数のモデルを組み合わせる必要があり、ローカル端末での運用負担が大きかった。
何が変わったか
- 「Nemotron 3.5 Transcribe」（4.3Bパラメータ）をHugging Faceにてオープン重みで提供開始
- 単一プロンプトで40言語の書き起こし、話者割り当て、翻訳、Q&Aに対応
- NVIDIA AppにフォアグラウンドアプリとバックグラウンドエージェントのGPU資源配分調整機能を追加
使える場面・影響
高精度な音声処理を軽量モデルで完結でき、オンプレミスやエッジ環境でのAI活用が容易になる。
試す前に確認
- Hugging Faceでモデルが公開中。RTX Spark等でのローカル実行向け量子化版は順次提供
一次ソース
- NVIDIA Blogblogs.nvidia.com