モデル・開発
NVIDIA Nemotron 3.5 TranscribeとGranary v2：指示と適応が可能な多言語文字起こし
原題: NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt
文字起こし、話者識別、翻訳、音声Q&Aを1つのcheckpointで提供
NVIDIAは2026年10月28日23時58分頃（日本時間）、Nemotron 3.5 TranscribeとGranary v2を公開しました。
Nemotron 3.5 TranscribeはHugging FaceとModelScopeから利用できるopen-weight modelです。
1つのcheckpointで文字起こし、話者識別、翻訳、音声への質問回答を扱います。
文字起こしは40言語、英語との相互翻訳は31言語、話者識別は13言語を対象とします。
最長1時間の録音と最大8人の話者labelに対応し、自然言語の指示で出力形式を制御できます。
約300億parameterのうちtokenごとに約40億parameterをactiveにするhybrid Mamba–Transformer MoE構成です。
単一のNVIDIA GPUで動作し、vLLMまたはNeMo-Speech.cppから実行できます。
recorded audio向けであり、live streaming用のmodelではありません。
Granary v2は48言語、46万3,062時間分の公開manifestと再利用可能なdata curation pipelineを提供します。
leaderboardの順位にはHugging FaceやArtificial Analysisなどの独立評価が含まれますが、医療fine-tuningの45.8%改善など一部の数値はNVIDIAの事例評価です。固有名詞や話者交代、回答は録音と照合するよう案内されています。