NVIDIA、多言語音声認識モデル「Nemotron 3.5 Transcribe」とデータ基盤「Granary v2」を公開

NVIDIAは、音声文字起こし、話者分離、翻訳、音声Q&Aを1つに統合したオープンウェイトモデル「Nemotron 3.5 Transcribe」およびデータパイプライン「Granary v2」を公開した。本モデルは40言語の書き起こしや31言語の英訳、13言語の話者分離に対応し、Mamba-Transformer MoEアーキテクチャにより300億パラメータ中約40億のアクティブパラメータで動作する。Hugging Face Open ASR Leaderboardの英語トラックやDavid AIの多言語話者分離リーダーボードでオープンモデル首位を獲得。RTX PRO 6000 Blackwell Server EditionのNVFP4精度では100時間の音声を3分未満で処理できる。また、48言語・約46万時間のデータセットを含むGranary v2とNeMo Speechを活用したファインチューニングにより、医療分野のベンチマークにおいて単語誤り率(WER)を大幅に低減できることが示された。