最近、AIチップと技術の大手であるNVIDIAが、全新的な音声文字起こし大規模モデル――NVIDIA Nemotron3.5Transcribeを正式にオープンソース化しました。プロフェッショナルな音声処理シーン向けに作られた最先端のオープンソースモデルとして、多言語文字起こしの精度、長時間音声処理、複数話者の分離といった核心的な指標において、業界をリードする実力を示しています。

基盤アーキテクチャと核心パラメータの面では、Nemotron3.5Transcribeは先進的なMixture of Experts（MoE）アーキテクチャを採用しています。総パラメータ数は約340億で、各フォワードパスで活性化されるパラメータ数は43億となり、強力な推論能力を確保しつつ実行効率も両立しています。音声処理能力においては、このモデルは1回で最大1時間の連続録音ファイルを処理でき、各種の長時間音声、会議議事録、インタビュー番組の文字起こしニーズに対応します。

多言語サポートと翻訳能力の面では、このモデルは非常に強いグローバル適応性を示しています。なんと40種類もの異なる言語の正確な音声文字起こしを全面的にサポートするだけでなく、そのうち31言語と英語の間の双方向翻訳にも対応しており、国際交流や多言語コンテンツ処理における応用シーンを大幅に広げています。さらに、長年音声認識を悩ませてきた課題である多人会話に対して、このモデルは最大8名の異なる話者を同時に区別し、リアルタイムで音声の帰属判定を完了することができます。

権威あるベンチマークテストと評価結果においても、Nemotron3.5Transcribeの性能は際立っています。

Open ASRの英語部門評価では、その平均単語誤り率（WER）は5.33%まで低く、同種のオープンウェイトモデルの中で首位に立っています。

Artificial Analysisの非ストリーミングテストでは、その単語誤り率はさらに2.8%まで減少し、オープンソースランキングの第1位に並ぶことに成功しました。

全体として見ると、NVIDIAが今回オープンソース化したNemotron3.5Transcribeは、その大規模なパラメータ、卓越した耐干渉分離能力、そして優れた多言語性能により、世界中の開発者と音声技術エコシステムに強力な新基盤を提供しています。