NVIDIAがオープンウェイトのNemotron 3.5 Transcribeをリリース。Artificial Analysisのオープンウェイト音声認識モデルランキングで同率1位

NVIDIAのNemotron 3.5 Transcribeは、プロンプトで制御できる新しいオープンウェイトの音声認識モデル。約40億のアクティブパラメータを持つ300億パラメータのMixture of Experts（MoE）モデルです。NVIDIAによると、1つのチェックポイントで40言語の文字起こし、話者の識別、翻訳、コンテキストを踏まえたプロンプト処理、音声理解に対応し、ウェイト、データ、レシピは公開されています。Hugging Faceで利用でき、ライブデモも公開されています。

Artificial Analysisが報告した結果（同社独自の数値）：

• AA-WER Indexで2.8%を記録。MistralのVoxtral Smallと並び、オープンウェイトモデルで同率1位となり、Thinking MachinesのInkling（3.5%）を上回ります。NVIDIAの従来の最高モデルCanary Qwen 2.5B（4.3%）から改善しています。
• 音声エージェントの会話を収録した同社のデータセットAA-AgentTalkでは、Voxtral Smallの2.3%に対し1.8%を記録しています。
• アクティブパラメータが6分の1（4B対24B）ながら、Voxtral Smallと同等の精度を実現。同程度のサイズの他のオープンウェイトモデルは、WERが約4%です。
• DeepInfraのホスト型エンドポイントでは、Speed Factor 75倍（音声1分を1秒未満で処理）で稼働し、音声1,000分あたり2.00ドルです。

NVIDIAの発表による主張：

• Hugging FaceのOpen ASR English leaderboardでオープンウェイトモデル中1位となり、単語誤り率の平均は5.33%。
• VoiceArenaの14システムによる話者分離とASRの比較、およびDavid AIの多言語話者分離ベンチマークで1位。
• 医療分野のASR事例では、Granary v2のオープン音声データとNeMo Speechツールを使ってファインチューニングした結果、未学習の話者に対する単語誤り率が、最良のプロンプトと比べて45.8%低下しました。

Artificial Analysisの投稿は10月28日時点でX上で64ポイント、NVIDIAの発表は10月29日時点で6,612ポイントと230件のコメントを獲得しました。