Nemotron 3.5 Transcribe は、NVIDIA が公開した文字起こし AI です。PC Watch によると、40 言語に対応し、無償で公開されています。
ただし、当サイトが確認できたのは各メディアとブログの見出しの範囲にとどまります。この記事では、確認できた事実と未確認の点、筆者の推測を分けて説明します。
Nemotron 3.5 Transcribe とは：何ができるのか
確認できた特長は 3 つです。
1 つ目は多言語対応です。PC Watch は 40 言語に対応すると伝えています。ただし、言語の内訳は確認できておらず、日本語の認識精度も不明です。
2 つ目は話者の識別です。GIGAZINE は、大勢が同時に話す場面でも、誰が話しているかを高い精度で識別できることを特長として報じています。識別できる人数や精度の数値は確認できていません。
3 つ目は指示による調整です。NVIDIA は Hugging Face のブログで、プロンプトで指示を与えたり、用途に合わせて適応させたりできる多言語文字起こしをうたっています。このブログでは Granary v2 も併せて紹介されていますが、その具体的な中身は確認できていません。
使い方
インストールや実行の手順、API の有無、動作に必要な環境は確認できていません。手がかりとなる一次情報は、NVIDIA が Hugging Face に掲載したブログです。導入を検討するエンジニアは、まずこのブログで、モデルの入手方法と動作要件を確かめてください。
料金
PC Watch の見出しでは「無償」とされており、利用料はかからないと読めます。一方、ライセンスや利用条件は確認できておらず、商用利用の可否も分かりません。業務で使う場合は、先に利用条件を確認する必要があります。
自社の環境で動かす場合は、サーバーなどの費用が別途かかる可能性があります。これは動作環境が不明な段階での筆者の推測です。
何に使えるのか
想定される用途は、会議の記録や字幕付けです。話者識別の報道が事実どおりなら、発言が重なりやすい多人数の会議の記録に向く可能性があります（筆者の推測）。
日本語の精度が未確認のため、企画や DX の担当者は、導入を判断する前に自社の会議音声で試すことをおすすめします。確認すべき点は、発言の認識精度、話者の取り違え、専門用語の扱いです。
開発元と競合
開発元は NVIDIA です。確認できた材料には、競合の製品名や比較データは含まれていません。
確認できたのは、無償で使える音声認識の選択肢が増えたという点までです。NVIDIA の事業や業績への影響を示す情報も確認できていないため、投資判断の材料にするには、ライセンスと精度の公開情報を待つ必要があります。
