AI
NVIDIA、プロンプト対応の多言語音声認識モデル「Nemotron 3.5 Transcribe」とデータセット「Granary v2」を発表
2026/10/29
NVIDIAが多言語音声認識モデル「Nemotron 3.5 Transcribe」を発表
NVIDIAは、Hugging Faceの公式ブログにおいて、多言語対応の音声文字起こしモデル「Nemotron 3.5 Transcribe」と、それに紐づくデータセット「Granary v2」を公開したと報告している。公式タイトルによれば、このモデルはプロンプトによる制御と追加学習（アダプテーション）の両方に対応することが特徴として掲げられている。
プロンプトで制御できる音声認識
タイトルに含まれる「Intelligent Multilingual Transcription You Can Prompt and Adapt（プロンプトで指示し、適応させられるインテリジェントな多言語文字起こし）」という表現から、単なる音声認識にとどまらず、ユーザーがプロンプトを通じて書き起こしの挙動を調整できる設計が取られていると見られる。具体的な対応言語数やベンチマーク数値については、提供されている情報の範囲では確認できない。
データセット「Granary v2」との組み合わせ
あわせて公開された「Granary v2」は、Nemotron 3.5 Transcribeの学習・評価に用いられたとみられる音声データセットの第2バージョンと推察される。ただし、収録時間・言語数・ライセンス条件などの詳細は、現時点で提供された情報からは読み取れない。
Hugging Face上での公開
本発表はNVIDIAのHugging Face公式ブログを通じて行われており、モデルウェイトやデータセットがHugging Face Hub上で提供されていることが示唆される。エンタープライズ向けの音声認識ワークフローへの組み込みや、ドメイン特化の追加学習ユースケースを念頭に置いた展開が想定されると考えられる。
本記事は公式ブログのタイトルおよびURLから確認できる情報をもとに構成しています。モデルの詳細なスペックや実験結果については、NVIDIAによるHugging Face公式ブログ記事をご参照ください。