【注目】40言語を文字起こし！ NVIDIAが音声AI「Nemotron 3.5 Transcribe」を公開

会議を録音したものの、あとで聞き返す時間がない。そんなときに役立ちそうな音声AIが登場しました。

NVIDIAは「Nemotron 3.5 Transcribe」を公開。40言語の文字起こしに対応し、最大1時間の音声を扱えるモデルです。モデルはHugging Faceで公開されています。

40言語に対応する音声AIを公開！

文字起こし以外にできることは？

公式のモデル情報では、音声の文字起こしに加え、翻訳、話者を区別した文字起こし、音声についての質問への回答などが紹介されています。

たとえば、複数人の会話を後で整理したい場面で役立つ可能性があります。ただし、すべての機能が40言語すべてに同じように対応するとは限りません。言語ごとの対応表を確認しましょう。

自分のPCで簡単に使える？

このニュースは、完成したスマホアプリをインストールする話ではありません。公開されたAIモデルを利用するには、対応するソフトや計算環境を用意する必要があります。

公式情報ではオフラインで動作するモデルとされていますが、実際に動かせるかはPCの性能や使用する構成によって変わります。性能や対応言語を確かめず、誰でも手元で軽く動かせると決めつけないようにしましょう。

必要なGPUは？ 個人のPCでも動かせる？

AIを自分のPCで動かす場合、まず確認したいのがGPU（画像やAIの計算を得意とする部品）と、その専用メモリー「VRAM」です。使うモデルの形式や音声の長さ、同時に処理する数で必要量は変わります。

• NVIDIA公式の実行例：標準のBF16版はH100・VRAM 80GB、FP8版とNVFP4版はRTX PRO 6000 Blackwell・VRAM 96GBを使っています。これは公式が示した構成例で、最低要件という意味ではありません。公式のNVFP4版はBlackwell世代向けです。（NVIDIA：モデル別の実行例）
• 個人向けGPUでの報告：コミュニティの開発者は、独自の圧縮形式と実行ソフトを使い、VRAM 24GBのRTX 3090で29秒の録音を約1.8秒で処理したと報告しています。音声や設定が異なれば速度も変わるため、すべての環境での動作を保証する数字ではありません。（Hugging Face：infosave氏）
• 16GBの例：別の配布元は、圧縮版で約3.7分の音声を処理した際、GPUメモリーの最大使用量が15.6GiBだったと報告しています。ただし測定はA100上で行われ、16GBのGPUで動作を確認した結果ではありません。設定を絞った例で、長い録音や別の環境では収まらない可能性があります。（Hugging Face：AtomicChat）

結論として、VRAMの容量だけで「必ず動く」とは判断できません。 圧縮方法・対応GPU・実行ソフト・設定をまとめて確認しましょう。Windowsではタスクマネージャーの「パフォーマンス」→「GPU」で専用GPUメモリを確認できます。圧縮モデルのファイル容量と、実行中に必要なVRAMも別物です。

また、開発者向けの公開モデルなので、利用には対応ソフトの導入や設定が必要です。録音済み音声を処理するモデルで、リアルタイム会話向けの別モデルとは区別してください。

実際の精度は？

外部のCekuraによる英語音声の比較では、公開音声1,000件と実際の電話会話4件からの録音8件を使い、22モデル中2位と報告されています。一方、会話音声では聞き落としも見られました。英語・特定の音声での比較であり、日本語やあらゆる録音で同じ結果になるとは限りません。（Cekura：比較テスト）

録音と結果の確認も忘れずに

文字起こしには聞き間違いや人名の誤りが生じることがあります。重要な議事録では元音声と照らし合わせ、録音前には相手の同意や職場のルールも確認したいところです。

今後、こうしたモデルを使うソフトが増えれば、さまざまな言語の記録を扱いやすくなるかもしれません。これは今後への期待です。

ポイント

良い点

• 40言語の文字起こしに対応。
• 最大1時間の音声を扱える。
• オフライン処理に対応するモデルが公開された。

気を付けたい点

• 利用には対応ソフトや計算環境が必要。
• 機能ごとに対応言語が異なる。
• 認識結果には誤りがあり得る。

まとめ

Nemotron 3.5 Transcribeは、40言語の文字起こしなどを扱う公開音声AIモデルです。会議や動画への活用が期待されますが、使用条件や必要なPC性能を確認して選びましょう。

ネット上の声

確認できた個別の見方です。全利用者の評価を代表するものではありません。

• 1つのモデルで複数の音声処理を扱える。 文字起こしや翻訳などを組み合わせられる点に注目しています。（DEV Community：Paul Lovelace氏）
• 録音済み音声向けのモデル。 ライブ文字起こし向けモデルとは用途が異なる点を説明しています。（Ordalin：編集部）
• RTX 3090で短い音声を処理した報告。 開発者のinfosave氏は、独自形式とソフトを使い、29秒の録音を約1.8秒で文字起こしできたと報告。公式標準版の速度ではありません。（Hugging Face：infosave氏）
• ギリシャ語の文字が抜けるとの報告。 Pistikos氏はRTX 5060 Ti 16GBなどを使った圧縮版の試験で、8件のギリシャ語音声に語尾の文字抜けが多かったと報告しています。原因は未確定で、日本語での再現を示すものではありません。（Hugging Face：Pistikos氏）

※引き続き個別の反応を調査中です。

確認：2026年11月1日。出典：NVIDIA公式モデル情報