NVIDIA、Nemotron 3.5 TranscribeとGranary v2を公開

NVIDIAは、多言語の文字起こしモデル「Nemotron 3.5 Transcribe」と「Granary v2」を公開しました。開発者が音声からテキストへのワークフローをより細かく制御できるようにする狙いで、プロンプトで誘導できる点が特徴です。コンテキストや専門用語、出力フォーマットの指示を渡せるため、一般的な文字起こしを一発かけるだけではなく、用途に合わせた調整がしやすくなります。これは、法務、医療、技術、多言語のカスタマーサポート音声など、ドメイン知識が精度を左右する場面で意味のある変化です。 プロンプトによる誘導は、人名、略語、製品名、好みの出力スタイルをモデルに扱わせる助けになります。たとえば専門的な音声を扱うチームは、どんな内容が来るか、文字起こしをどう構成するかをモデルに伝えられます。目的は単なる一語一句の変換ではなく、下流の翻訳、検索、要約、分析に使いやすいテキストを出すことです。NVIDIAは、文字起こし、翻訳、音声分析アプリを作る開発者向けに、言語をまたいだ精度と制御の改善を狙うとしています。 Granary v2とNemotron 3.5 Transcribeは、Hugging Faceなどのオープンで利用しやすい音声モデルのエコシステムを広げるものです。多くのチームが、閉じたAPIだけに頼るのではなく、ファインチューニングしたり、自前でホストしたり、自分のパイプラインに組み込んだりしたがっています。一方で、プロンプトで導くシステムには新しい評価の論点もあります。プロンプトが一貫性を高めるか、アクセントや雑音の多い音声にどれだけ耐えるか、言語をまたいでも性能が保たれるかを確認する必要があります。 実用的なチャンスは専門的なワークフローにあります。一般的な文字起こしは出発点にすぎず、本当の価値は、きれいで用語が正しく、自動処理しやすい出力が得られたときに生まれます。NVIDIAの今回の更新は、音声AIの競争が単純な文字起こし精度だけでなく、制御性とドメインへの適合に移りつつあることを示しています。開発者は、自分の音声でベンチマークしてから導入箇所を決めるのがよさそうです。