NVIDIAが音声認識AI「Nemotron 3.5 ASR」公開。40言語をリアルタイム文字起こし

NVIDIAは2026年6月6日、人の話し声を文字に変換する音声認識（ASR）AI「Nemotron 3.5 ASR」を公開しました。パラメータ数は6億（600M）と比較的小型ですが、1つのモデルで40の言語・地域（language-locale）の音声を、録音し終えてからではなく“話している最中に”リアルタイムで文字起こしできるのが特徴です。

仕組みには、少し先まで音を見ながら処理する「キャッシュ対応FastConformer-RNNT」という方式を採用しました。NVIDIAは、同じH100というGPU上で、いったん区切ってから処理する従来方式に比べて約17倍の同時処理（ストリーム数）をさばけると説明しています。モデルはオープンウェイトとしてHugging Faceで公開され、ライセンスはOpenMDW-1.1です。

私たちには、会議や授業の字幕、議事録づくり、ライブ配信のリアルタイム字幕などを、軽い負荷で多言語に対応できる土台が増える、という点で関係します。実際の精度は言語や周囲の雑音によって変わるため、本番で使う前に自分の用途で試すのがおすすめです。出典はNVIDIA／Hugging Face、MarkTechPostの報道です。