NVIDIA が Nemotron 3.5 ASR をリリース ── 600Mパラメータで40言語をリアルタイム文字起こし、多言語対応の厄介ごとを一撃で解消する構え
多言語に対応した音声認識システムを作ろうとすると、言語ごとにモデルを切り替えたり、レイテンシと精度のバランスに悩まされたり、句読点の後処理を足したり……と、負債が積もり積もっていく。NVIDIA の Nemotron 3.5 ASR は、その全部を単一の 600M パラメータモデルに押し込もうという、なかなか豪快なアプローチ。結果としてかなり使い勝手の良いものが上がってきている。
▸何が変わったのか
NVIDIA の「Nemotron 3.5 ASR」は、600M パラメータのストリーミング多言語音声認識モデル。単一チェックポイントで 40 の言語ロケールに対応する。英語（US/GB）、スペイン語（US/ES）、ドイツ語、フランス語などをカバー。リアルタイムで文字起こしつつ、句読点と大文字小文字の付与までモデル単体でこなす。アーキテクチャは Cache-Aware FastConformer-RNNT。従来のストリーミング ASR でよくある「重複する音声ウィンドウを何度も再計算する」無駄を省き、低レイテンシと高精度を両立させた。前バージョンの Nemotron 3 ASR（英語専用）から大幅に拡張された後継モデル。
◈前モデル / 競合との比較
前バージョン Nemotron 3 ASR は英語のみ対応だったが、3.5 では 40 の言語ロケールに拡張。独立ベンチマーク「Artificial Analysis」の検証では、ストリーミング ASR モデル全体でレイテンシ 2 位を記録し、発話終了から最終文字起こしまで 0.07 秒。精度とレイテンシのトレードオフを測る「AA-WER Streaming Index vs. Time to Final Transcription」リーダーボードでは「最も魅力的な象限」に位置づけられている。
◈技術背景と意義
多言語音声認識には長年、いくつか厄介なトレードオフが付きまとっていた。言語ごとに別モデルを繋ぎ合わせる「多言語税」、リアルタイム性を稼ぐために精度を落とす問題、生テキストに句読点を付けるための後処理パイプライン、そして「言語を事前に指定してね」という前提。Nemotron 3.5 ASR はこの 4 つの問題をひとつのモデルで潰しにいく設計。特に、顧客が文中で英語とスペイン語を混ぜて話すような場面でも自動で追従できるのは、コールセンターなどの実運用でかなり嬉しいポイント。
▸こんな人・用途に
多言語対応のコールセンター・カスタマーサポート（コードスイッチングする会話に自動追従）。リアルタイム字幕が必要な国際会議やライブ配信。医療・法律など専門用語が多いドメインや、特定の訛り・方言に強いモデルを自社データでファインチューニングしたいケース。
◆入手方法・リンク
Hugging Face でオープンウェイトとして公開済み。API 依存や従量課金なしで自社インフラにデプロイ可能。NVIDIA NIM としての提供もある。ファインチューニングの詳細手順は記事本体で解説。
SOURCE: Hugging Face (2026-06-04)
