NVIDIA Nemotron 3.5 Transcribeとは？
Nemotron 3.5 TranscribeはNVIDIAのオフライン音声モデルで、2026年10月28日にHugging Face、NGC、build.nvidia.comで公開されました。6億パラメータのASRエンコーダーと9,900万パラメータの話者エンコーダーを、Nemotron 3.5 LightningのハイブリッドMamba-TransformerのMixture-of-Experts言語モデルと組み合わせています。総パラメータは340億で、音声エンコーダーを含めてトークンごとのアクティブは約43億です。
1つのチェックポイントで、40言語の文字起こし、逐語または整えたテキスト、単語のタイムスタンプ付きの話者別の書き起こし、英語との双方向の翻訳、言語識別、プロンプトでの語彙のヒント、英語の音声についての質問応答をこなします。最大1時間の録音を受け付け、ストリーミングのモデルではありません。
重みは商用利用を認めるOpenMDW-1.1ライセンスで、BF16、FP8、NVFP4の各ビルドがあります。NVIDIAは48言語で463,062時間の音声データGranary v2も公開しました。DeepInfraは音声1分あたり$0.002でホストしています。
NVIDIA Nemotron 3.5 Transcribeの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | OpenMDW-1.1、商用利用可 |
| DeepInfra API | $0.002 per audio minute | リクエストあたり最大60分 |
OpenMDW-1.1のオープンウェイトです。DeepInfra：音声1分あたり$0.002（1時間$0.12）。OpenRouterはほぼ同じ料金でDeepInfraに振り分けます。
NVIDIA Nemotron 3.5 Transcribeは使う価値があるか？
Nemotron 3.5 Transcribeは独立したテストで最も強力なオープンな文字起こしモデルであり、会議メモのパイプラインの大半を1回の呼び出しでこなす初めてのオープンモデルです。Artificial AnalysisはAA-WERの指標で2.8%とし、MistralのVoxtral Small（2.77%対2.81%）とオープンウェイトモデルの首位で並びます。しかも使うアクティブパラメータはVoxtralの24Bの約6分の1です。Hugging FaceのOpen ASR Leaderboardでは、英語の平均WER 5.33%でオープンモデルの1位で、Qwen3-ASR-1.7Bの5.4を上回ります。
特徴的なのはプロンプトです。文字起こしのスタイル、語彙のヒント、話者タグ、翻訳はすべて指示の中で選びます。NVIDIA自身の複数話者の数値（AMI、CALLHOME、Mixer 6、NOTSOFAR-1のフルセッションでの平均cpWER 15.80、次点の公開システムは16.83）は自己申告ですが、外部のランキングと矛盾しません。ドメインへの適応も安価です。Eka Careの医療音声データでは、プロンプトの改善でWERが30.8%から23.8%に、GB300 1台での約14 GPU時間のファインチューニング後には11.8%に下がりました。
制限はカードから明らかです。オフライン専用なので、途中結果を必要とするライブ字幕や音声エージェントには、今もParakeetのようなストリーミングモデルが必要です。言語の対応にはばらつきがあり、文字起こしは40言語、翻訳は31言語、話者ラベルは13言語で、中国語（普通話）、アラビア語、ベンガル語は「supported」の評価にとどまりま す。音声の質問応答は英語で学習されています。全体ではクローズドなモデルが依然として先行しており、Gemini 3.5 TranscribeはOpen ASRのランキングで2.60%です。
セルフホストにはBF16の重み用に80GBのH100が1台必要です。NVIDIAの最速の提供数値、RTX PRO 6000での毎秒2,238秒分の音声処理はNIMビルドによるもので、公開日に出たオープンなvLLMの経路は、NVIDIA自身の見積もりで約半分の速さです。DeepInfraの価格では、文字起こしの費用はOpenAIの従来のWhisper APIの料金の3分の1なので、月数千時間未満のほとんどのチームにとってはホスト型が妥当な標準になるでしょう。
真価を発揮する場面
300席のコンタクトセンターのデータエンジニア
録音した通話を月10,000時間、文字起こしして話者を特定する
1時間$0.12のDeepInfraなら月約$1,200で、<spk:N>の話者タグと単語のタイムスタンプが1つの応答に含まれます。製品名は別のバイアス処理ではなく、文脈の用語としてプロンプトに入れます。
ヘルステックのスタートアップのMLエンジニア
文字起こしを臨床の語彙に適応させる
NVIDIAのEka Careの例では、約245時間のデータとGB300 1台での14 GPU時間で、WERが30.8%から11.8%に下がりました。一般的な英語 はわずかに悪化した（LibriSpeech cleanで1.54%から1.69%）ため、両方をテストしてください。
欧州のメディア企業のローカライズ担当プロデューサー
チェコ語、ポーランド語、ドイツ語のインタビューの英語の書き起こしと翻訳を作る
これらの言語は文字起こしと双方向の翻訳で「leading」と評価されています。1時間の録音は1回のリクエストに収まります。NVIDIAが勧めるとおり、人名や地名は今も音声と照らし合わせて抜き取り確認が必要です。
導入前に確認すること
- 導入
- ホスト型：DeepInfraかOpenRouter（nvidia/nemotron-3.5-transcribe）へのOpenAI形式の呼び出し1回。セルフホスト：H100 80GB 1台でNeMo SpeechプラグインとともにvLLM 0.32.0を使うか、SGLang-Omni 0.2.0を使います。Transformersはソースからなら動きます。
- 連携
- vLLM、SGLang-Omni、Hugging Face Transformers、RTX 5090とRTX PRO 6000でのGGML、ファインチューニング用のNeMo Speech。DeepInfra、Baseten、Simplismartでホストされています。
- データとプライバシー
- OpenMDW-1.1は商用利用を認めています。NVIDIA によると、デプロイした製品でのユーザーとのやり取りは学習に使っていません。DeepInfraは、リクエスト後に音声や書き起こしを保存しないとしています。
- 大規模利用時のコスト
- 音声1,000時間でDeepInfraなら$120で、無音を含むすべての分数が課金されます。セルフホストには80GBのH100（BF16）かL40S 48GB（FP8）が1台必要です。
- 制限
- リクエストあたり最大1時間、65,536トークン、話者は最大8人。オフライン専用。音声の質問応答は英語でのみテスト済み。カードは、1時間という学習時の上限を超えて汎化する保証はないとしています。
良い点
- Artificial AnalysisでAA-WER 2.8%でオープンモデルの首位タイ、アクティブパラメータは約4B
- 話者ラベル 、単語のタイムスタンプ、翻訳、語彙のヒントを1つのチェックポイントで
- DeepInfraで音声1分あたり$0.002
- OpenMDW-1.1ライセンスと、NeMo Speechで公開されたファインチューニングのレシピ
気になる点
- オフライン専用で、ストリーミングの途中結果はない
- 話者ラベルは13言語、翻訳は31言語
- 最速の提供経路は今のところNIM限定で、オープンなvLLMは約半分の速度
- BF16の重みには80GBのGPUが必要
おすすめの人
録音した通話、会議、メディアを大量に文字起こしし、複数のモデルをつなぎ合わせずに話者ラベルと専門語彙を得たいチームに向いています。
NVIDIA Nemotron 3.5 Transcribeの代替
NVIDIA Nemotron 3.5 Transcribe：よくある質問
- NVIDIA Nemotron 3.5 Transcribeは使う価値があるか？
- 精度で最良のオープンな競合に並び、話者分離、翻訳、独自の語彙を1つのプロンプトにまとめたオープンな音声モデルです。ホスト型なら1時間$0.12です。 評価は5点満点中4.5点です。
- NVIDIA Nemotron 3.5 Transcribeの料金は？
- OpenMDW-1.1のオープンウェイトです。DeepInfra：音声1分あたり$0.002（1時間$0.12）。OpenRouterはほぼ同じ料金でDeepInfraに振り分けます。
- NVIDIA Nemotron 3.5 Transcribeの欠点は？
- オフライン専用で、ストリーミングの途中結果はない; 話者ラベルは13言語、翻訳は31言語; 最速の提供経路は今のところNIM限定で、オープンなvLLMは約半分の速度; BF16の重みには80GBのGPUが必要.
- NVIDIA Nemotron 3.5 Transcribeは誰に向いているか？
- 録音した通話、会議、メディアを大量に文字起こしし、複数のモデルをつなぎ合わせずに話者ラベルと専門語彙を得たいチームに向いています。
- チームや本番環境でNVIDIA Nemotron 3.5 Transcribeを使うと費用はいくらか？
- 音声1,000時間でDeepInfraなら$120で、無音を含むすべての分数が課金されます。セルフホストには80GBのH100（BF16）かL40S 48GB（FP8）が1台必要です。
- NVIDIA Nemotron 3.5 Transcribeは企業データを扱っても安全か？
- OpenMDW-1.1は商用利用を認めています。NVIDIAによると、デプロイした製品でのユーザーとのやり取りは学習に使っていません。DeepInfraは、リクエスト後に音声や書き起こしを保存しないとしています。
- NVIDIA Nemotron 3.5 Transcribeの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はVoxtral 3 (Transcribe and TTS), Parakeet TDT 0.6B v3, Whisper large-v3-turbo 、 MOSS-Transcribe-Diarize 0.9Bです。
回答確認日：2026年10月31日