会議や講義の録音を自社環境で文字起こしするなら、対応言語の数だけで導入を決めると誤りの修正に追われる。Nemotron 3.5 Transcribeは、録音後の転写、翻訳、話者別表示、出力形式の指定を一つのモデルで扱うが、実務で使えるかは対象言語、GPU、音声の条件、校正の分担で変わる。

NVIDIAの公式ページは、Nemotron 3.5 Transcribeを40言語の転写、31言語と英語の相互翻訳、13言語の話者帰属に対応し、最長1時間の録音を処理するモデルとして説明している。この数字はタスク別の対応範囲であり、40言語すべてで翻訳や話者帰属が同じように使えるという意味ではない。最初の受け入れ表には、言語、音声の長さ、必要な出力形式、許容する誤りを別々に記録する。

できること──数字を機能別に分ける

Nemotron 3.5 Transcribeは、音声エンコーダーと大規模言語モデルを組み合わせた音声拡張言語モデル（Speech-Augmented Language Model）である。自然言語の指示で、発話をそのまま残す転写、読みやすく整えた文章、指定した固有名詞を意識した転写、翻訳、話者別表示を選ぶ。指示は出力の形式や語彙の手掛かりを与えるが、薬品名や人名を正しく聞き取る保証にはならない。

話者帰属は録音内の声の区切りを示す機能であり、声の持ち主を社員名簿や本人確認情報と結び付ける機能ではない。重なった発話、遠いマイク、複数人の同時発言では、文章と話者の組み合わせを人が確認する工程が残る。逐語録、議事録、検索用の要約では、同じ録音でも正しい出力の定義が異なる。

公式ページは公開音声認識ベンチマークでの平均単語誤り率も示している。ただし、テストセットの言語、音質、正規化、話者構成が自社の会議と一致するとは限らない。ベンチマークの順位を日本語会議の受け入れ判定に置き換えず、固有名詞、数字、話者の取り違え、時間付き表示のずれを分けて測る。

多言語対応でも校正が消えない理由

音声認識の誤りは、言語名よりも発音、混在、専門語、重複発話、収音環境に左右される。日本語の会議なら、会社名、人名、製品名、数字、略語を含む短い音声を先に集める。講義やインタビューでは、話者が交代する箇所と発言が重なる箇所を別のサンプルにする。

Agoraが公開した講義の例では、授業終了後に録音をNemotronへ送り、時間情報付きの文字起こしを再生や検索に使っている。これは録音後の学習資源化を示す事例であり、ライブ字幕の遅延や大規模授業での処理能力を証明するものではない。検索と復習なら誤字の一部を許容できても、議事録や引用では確認の基準が上がる。

NVIDIAとHugging Faceの解説は、医療音声のテストセットで領域調整を行い、基礎モデルの最良プロンプトと比べて単語誤り率を22.44％から12.17％へ下げた一方、薬品名の完全一致率は36.6％だったと報告している。特定データ、プロンプト、評価方法に基づく結果であり、日本語の会議や医療音声の成績ではない。全体の誤り率が下がっても、重要な固有名詞が安全に読めるとは限らない。

PubMedに収録されたHiACC研究は、成人と子どもの英語・ヒンディー語混在音声を扱い、単言語データで学習した音声認識モデルではコードスイッチ音声の誤り方が変わることを示している。これはNemotronの性能値ではない。日本語と英語、方言と標準語が一つの発話に混ざる業務なら、一般的な多言語対応の表記ではなく、自社音声の試験結果を使う必要がある。

言語、口音、コードスイッチ、固有名詞、重複発話、音声品質を分けて確認する評価カード（イメージ）

自前運用で先に測るGPUと費用

NVIDIAはBF16、FP8、NVFP4、GGUFのチェックポイントを公開している。精度形式が違えば、必要なメモリー、対応するGPU、推論速度、導入するライブラリーが変わる。活性パラメーターが少ないという説明だけで、一般的なノートパソコンで動くとは判断できない。予定する音声の長さ、同時処理数、処理期限を固定し、実際のGPUでメモリー使用量と処理時間を測る。

推論サービスにする場合は、vLLMなどの対応状況、モデルの読み込み時間、同時実行時の待ち時間、再実行の費用を確認する。録音後に処理する仕事なら、1時間の音声を何分で処理するかに加え、校正者が1本を確認する時間も測る。モデルの処理が速くても、誤った数字や話者名を探す時間が増えれば、業務全体の費用は下がらない。

OpenMDW-1.1はモデルの重みの条件であり、推論フレームワーク、データセット、追加のツールまで同じライセンスになるわけではない。モデル、コード、音声データ、変換ツール、GPUイメージを一覧にし、商用利用、再配布、表示義務の担当者を決める。外部の推論端点を使うなら、録音の送信先、保存期間、削除方法、障害時のログも契約と設定で確認する。

モデルのライセンスとGPUの確認から推論、アクセス管理、保存削除、校正、回退までをつなぐ導入フロー（イメージ）

日本ではどうなる

日本国内の価格は、モデルの重みに一律の利用料が付く形ではなく、実際にはGPUを自社で用意するか、クラウドや推論サービスで借りるかで変わる。NVIDIAの公式ページはOpenMDW-1.1での公開を示すが、日本円の運用費や国内クラウドの利用料金を示してはいない。見積もりでは、GPU時間、ストレージ、通信、監視、保守、校正の人件費を分け、候補のクラウド事業者とNVIDIAの国内窓口で確認するのが先になる。

録音に氏名、発言内容、声の特徴が含まれる場合は、個人情報保護委員会の通則編ガイドラインが映像や音声による情報も「個人に関する情報」に含めると説明している点を起点に、利用目的、アクセス権、保存期間、削除方法を決める。AIの開発・提供・利用を業務に組み込むなら、経済産業省のAI事業者ガイドライン第1.2版が整理するAI開発者、AI提供者、AI利用者の役割に沿って、誤りの監視と責任の所在を文書化する。

国内の具体例として、NVIDIA Japanは日本語でNemotron Voice Agentを構築するNIMの手順を公開している。ただし、これは音声エージェントの構成例であり、Nemotron 3.5 Transcribeを日本企業が録音業務へ導入した価格・精度の事例ではない。日本語会議での導入可否をその記事から推測せず、NVIDIAのモデルページにある対応表を確認したうえで、社内の録音を使った小規模試験と国内の法務・情報管理審査を通す。日本国内で本モデルの業務導入を同じ条件で比較した公開事例は、本稿の執筆時点で確認できていない。

小規模試験の受け入れ表

候補モデルと現行サービスを同じ音声、同じ出力指示、同じ評価者で比べる。録音の利用権を確認し、氏名や機密情報を含む場合は試験用の取り扱いを先に決める。

  1. 仕事を分ける：逐語録、整文、翻訳、時間付き文字起こし、話者別表示を別のタスクとして定義する。
  2. 難しい音声を含める：口音、複数言語、専門語、重複発話、遠いマイク、雑音を入れ、きれいな一人朗読だけで判定しない。
  3. 人手の基準稿を作る：固有名詞、数字、話者の交代、残すべき言いよどみを記録し、同じ基準で誤りを数える。
  4. 費用を分けて測る：文字や単語の誤り、話者の取り違え、時間のずれ、GPU時間、再実行、校正者の分数を別々に集計する。
  5. 回退条件を決める：自動利用、抽出確認、全文確認の境界を置き、低品質時に現行フローへ戻す手順を用意する。

公開ベンチマークの数字は候補を絞る材料であり、受け入れ判定ではない。録音後の検索や講義の復習が目的なら、許容する誤りと校正時間を先に定めれば候補に入る。ライブ字幕、高リスクな正式記録、固有名詞の多い日本語業務なら、実音声で基準を満たすまで導入範囲を広げない。

よくある質問

日本語の文字起こしをそのまま任せられるか
公式の対応言語表だけでは判断できない。人名、製品名、数字、口音、複数人の重なりを含む社内音声で、誤りと校正時間を測る必要がある。

リアルタイム会議字幕に使えるか
NVIDIAの説明は最長1時間の録音処理を示すもので、ライブ字幕の遅延や安定性を保証していない。録音を分割して送る設計を考える場合も、遅延、順序の崩れ、重複処理を別に試験する。

話者表示で参加者を特定できるか
できない。話者表示は音声の区切りを示す機能で、実在の人物の本人確認ではない。議事録の責任や決定事項に関わる場合は、会議を知る人が録音と出力を照合する。