先日、人工知能チップと技術の巨頭であるNVIDIAは、新たな音声文字変換の大規模モデル——NVIDIA Nemotron 3.5 Transcribe——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設計された最先端のオープンソースモデルであり、多言語での文字起こし精度、長時間音声の処理、複数話者の分離といった主要な指標において、業界をリードする実力を示しています。
基盤となるアーキテクチャおよび主要なパラメータの面では、Nemotron 3.5 Transcribeは先進的なハイブリッド・エキスパート（MoE）モデルを採用しています。総パラメータ数は約340億で、毎回の前向き伝播で活性化されるパラメータ数は43億です。強力な推論能力を確保しつつ、動作効率も考慮されています。音声処理能力に関しては、一度に最大1時間に及ぶ連続録音ファイルを処理可能で、各種長時間音声や会議録音、インタビュー番組などの文字起こしニーズに対応します。
多言語対応および翻訳機能において、同モデルは極めて高いグローバル適応性を示しています。40もの異なる言語の正確な音声文字変換をサポートするだけでなく、そのうち31言語と英語間の双方向翻訳にも対応しており、国境を越えたコミュニケーションや多言語コンテンツ処理における活用範囲を大幅に拡大しています。さらに、長年音声認識の課題とされてきた多人数による同時会話についても、最大8人の異なる話者を同時に識別し、リアルタイムで発話者の帰属判定を完了できます。
権威あるベンチマークテストおよび評価結果においても、Nemotron 3.5 Transcribeの成績は非常に優れています。
Open ASRの英語部門の評価では、平均単語誤り率（WER）がわずか5.33％と、同種のオープンソースモデルの中でトップに立っています。
Artificial Analysisによる非ストリーミングテストでは、単語誤り率がさらに低下し2.8％となり、オープンソースランキングで共同首位を獲得しました。
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、大規模なパラメータ数、優れたノイズ耐性による音声分離能力、さらには優れた多言語対応性能を備え、世界中の開発者と音声技術エコシステムに強力な新たな基盤を提供しています。