Nemotron 3.5 Transcribeの日本語対応・必要GPU・動かし方

Nemotron Transcribeは、NVIDIAが2026年10月28日に公開した、録音を文字にするオープンウェイトのAIです。日本語にも対応していますが、自分のPCで気軽に動かせるかどうかは、条件を分けて見る必要があります。

よくある疑問：Nemotron Transcribeは日本語の会議録音に使える？ノートPCでも動く？

材料は、2026年10月30日に確認したモデルカードとHugging Faceの公開情報、公式ブログ、技術メディアのgihyo.jpの記事、ライセンス本文です。編集部はNemotron Transcribeを動かしておらず、数値はすべて公表値です。

ライブ字幕が目的なら、Voxtral 3の解説のように、リアルタイム向けのモデルを持つ別のサービスが候補です。

Nemotron 3.5 Transcribeとは？NVIDIAが公開した文字起こしAIの要点

Nemotron Transcribeは、会議や取材の録音を文字にする音声認識に、話者の書き分けと翻訳を加えたモデルです。10月28日にHugging Faceなどで公開され、40言語に対応します。ライセンスはOpenMDW-1.1です。

オープンウェイト（＝学習済みの中身が公開され、自分のPCやサーバーで動かせる形で配られるAI）なので、Hugging Faceから承認申請なしで重みを取得できます（10月30日確認）。

Nemotron Transcribeでできること

• 文字起こし：40言語。録音は最大1時間まで
• 話者の書き分け：日本語を含む13言語（公式ブログ）。最大8人（gihyo.jpの紹介）
• 翻訳：31言語。日本語と英語の双方向にも対応
• 書き方の指示：言いよどみの扱いや数字の書き方を、文章で指定できる（再学習は不要）

Nemotron Transcribeでできないこと

Nemotron Transcribeが扱えるのは録音したファイルだけで、ライブ（リアルタイム）の字幕には対応していません。

録音の内容への質問応答など、文字起こし以外の使い方は、評価が英語だけです。日本語では安定しない可能性がある、とgihyo.jpは指摘しています。

「30B」と「34B」、数字の見方

モデル名の「30B-A4B」は名称で、表記上の総数は音声エンコーダ込みの34B、動く部分は4.3Bです。MoE（＝全部は動かさず、一部だけを使い分ける仕組み）でも重み全体を置く場所は要るため、容量は34B分で考えるのが安全です（筆者の整理・未検証）。

Nemotron Transcribeは日本語に対応している？精度の見方

Nemotron Transcribeの日本語は、対応言語に入っています。モデルカードの言語表では、日本語は音声認識・英語との翻訳・複数話者の文字起こし・コードスイッチング（＝1つの録音の中で言語が切り替わること）がすべて対応です。

品質の区分は「Production-ready」です。最上位の「Leading」は、英語・フランス語・ドイツ語・スペイン語・韓国語など13言語で、日本語は入っていません。区分はNVIDIAの基準で、日本語の精度が低いと決まったわけではありません。

公式に示された日本語の評価はどこまでか

日本語の文字誤り率（CER。低いほど良い）は、FLEURSという評価用データで4.42%、CoVoST2で10.61%とモデルカードにあります（2026年10月30日確認）。

どちらも既存の評価用データセットでの値で、会議室の反響や雑音入りの録音の精度を示すものではありません。

誤認識を減らす考え方

Nemotron Transcribeでは、録音に文章の指示を添えて、人名や専門用語の候補（モデルカードでは「Context terms」）を渡せます。会議に出る社名や製品名が決まっているなら、あらかじめ渡しておくのが一つの手です。

Nemotron Transcribeを動かすのに必要なPCは？重みサイズとGPUの目安

基準になっているのは、H100 80GBを1基使う構成です（モデルカードの「Deployment」欄）。H100はデータセンター向けのGPUで、個人が気軽に買う製品ではありません。

重みファイルのサイズ（BF16・FP8・NVFP4）

BF16が元の精度の重みで、FP8とNVFP4は、量子化（＝数値を粗くして容量を小さくする方法）をした版です。サイズは上の図のとおりで、FP8とNVFP4は別のリポジトリで公開されています。

NVFP4は、英語ではBF16との差が小さい一方、英語以外ではFP8より精度が下がる傾向があります。日本語中心で使うなら、この点に注意が必要です（gihyo.jpが技術レポート4.12節を紹介）。

形式	重みの合計	動作確認表にある主なGPU	NVIDIAが示す向き
BF16	約67.5GB	H100・H200・A100 80GB・B200など	基準の形式（H100 80GBを1基）
FP8	約34.67GB	H100・H200・L40S PCIe 48GB・B200など	英語以外の精度を重視するとき
NVFP4	約21.56GB	RTX 5090・B200・DGX Sparkなど	メモリーや処理量が制約のとき

GeForceで動作確認表にあるのはRTX 5090だけ

モデルカードの動作確認表は11行で、GeForceはRTX 5090（NVFP4）だけです。ほかは、H100・H200などのデータセンター向けと、DGX Spark、Jetson Thorです。

ノートPC、Mac、スマートフォンは表になく、動くかどうかは確認できていません（10月30日時点）。

公式ブログは、量子化版をRTX Spark、DGX Spark、Jetson AGX Thorで動かす想定と書いています。ただしRTX Sparkは、動作確認表には載っていません。

WindowsならWSL2かGGML

OSはLinuxとWindowsです。Linux用の実行環境は、WSL2（Windowsの中でLinuxを動かす仕組み）でWindowsでも動き、GGMLだけはWSL2なしのWindowsにも対応します。

公式ブログ（10月28日）は量子化版とNeMo-Speech.cppでのローカル実行を「近日公開」とし、gihyo.jpはGGUF形式も提供されると書いています。

10月30日時点のNVIDIA公式リポジトリ（本体・FP8・NVFP4）には、GGUFは見当たりません。第三者が公開したGGUFやMLXの変換版はHugging Faceに複数ありますが、NVIDIA公式ではなく、編集部も未確認です。

重みファイルのサイズと必要なVRAMは別物です。ファイルサイズは保存に要る容量、VRAMはGPUが処理中に使うメモリーで、実行時には作業領域も要ります。

筆者の整理として、重みだけで約21.56GBあるため、それより小さいVRAMのグラボでは、全部をGPUに載せる動かし方は難しいはずです（未検証）。

公式が示す「100時間の音声を3分未満」は、高並列に処理した最適化環境の値で、普通のPCの速度ではありません。

同じシリーズの文章生成用モデルは、Nemotron 3.5 Bolt E4Bの解説で必要なPCを整理しています。

Whisperとの違いは？Nemotron Transcribeを選ぶ場面

Whisperは、OpenAIが公開している文字起こしモデルです。Nemotron Transcribeとの違いを、説明書とモデルカードの記載から表にします。

項目	Nemotron 3.5 Transcribe	Whisper
ライセンス	OpenMDW-1.1（商用・非商用の利用可）	MIT
大きさ	総34B（動くのは4.3B）。重みは約21.56〜67.5GB	large 1550M（VRAM約10GB）、turbo 809M（約6GB）
日本語	対応（Production-ready）。会議録音での精度は未確認	説明書に日本語の使用例あり。言語ごとの性能差が大きいと記載
話者の書き分け	対応（13言語。日本語を含む）	説明書に記載が見当たらない
多言語の単語誤り率	7言語平均4.62%	large-v3は7.94%

出典：Whisperの説明書、モデルカード、gihyo.jp（2026年10月30日確認）

Whisperなど比較相手の誤り率は2026年10月2日時点のランキング値で、7言語に日本語は含まれません。日本語でNemotron Transcribeが上回るかどうかは、この表からは分かりません。

Whisperが向く人

軽く試したい、手持ちのPCで動かしたい、という人はWhisper系が現実的です。turboでもVRAMは約6GB（説明書の値）で、Nemotron Transcribeの重みよりずっと小さいためです（筆者の整理）。

Nemotron Transcribeが向く人

Nemotron Transcribeは、話者ごとの書き分けや書式の指示、商用でも使えるオープンウェイトがほしい人に向きます。ただし、大きなGPUかホスト版を使う前提です（筆者の整理）。

録音を文字起こしする前に確認したいライセンスと同意

Nemotron Transcribeで文字起こしの結果が正しくても、録音の扱いを誤ると問題になります。先にライセンスと同意を確認しましょう。

OpenMDW-1.1の要点

• 無償で、モデルの素材を制限なく扱える（商用・非商用ともに可）
• 再配布するときは、ライセンス文と著作権表示を残す
• 出力物（文字起こしの結果）の利用や共有に、制限や義務はない
• モデルが特許や著作権を侵害していると主張する訴訟を起こすと、権利が終了（先に訴えられた場合の訴訟は除く）
• 「現状有姿」（そのままの状態）で提供され、無保証

他人の権利の処理や、必要な同意を得ることは、利用者自身の責任です。ここまでは編集部の読み取りで、法的な助言ではありません。迷う場合は、ライセンス全文（OpenMDW-1.1）と専門家の意見を確認してください。

録音データの扱い

ホスト版（公式ブログによるとBaseten、DeepInfra、Simplismart）を使うと、録音データは外部のサービスに送られます。自分のPCで動かす場合は、外に出さない選択肢が取れます。

会議・取材・診察などの録音には、第三者の声や個人情報が含まれます。参加者に事前に説明して同意を取り、保存先と共有範囲を決めておくのが安全です。

Nemotron Transcribeについてよくある質問

Nemotron Transcribeは無料で使えますか？

重みは承認申請なしでHugging Faceから取得でき、ライセンス（OpenMDW-1.1）は無償で扱えると定めています。ただし、動かすGPUやサーバーの費用は別です（2026年10月30日時点）。

Nemotron Transcribeはライブ字幕に使えますか？

使えません。録音したファイルを処理するモデルで、ライブには対応していません。ライブ向けには、Voxtral 3のようにリアルタイム用のモデルを持つ別のサービスを探す必要があります。

Nemotron TranscribeはノートPCやMacで動きますか？

確認できていません。モデルカードの動作確認表に、ノートPCやMacの行はなく、GeForceはRTX 5090だけです（2026年10月30日時点）。第三者のMLX変換版は公開されていますが、編集部は未確認です。

WhisperからNemotron Transcribeへ乗り換えるべきですか？

筆者の整理では、軽く文字起こしするだけなら、Whisper系のままで足ります。話者ごとの書き分けや書式の指示が必要で、大きなGPUかホスト版が使えるなら、Nemotron Transcribeを試す価値があります。

まとめ：Nemotron Transcribeは日本語対応だが、PCで気軽に動かす段階ではない

Nemotron Transcribeは日本語に対応するものの、10月30日時点では、一般的なPCで気軽に動かせる段階とは言えません。

NVIDIA公式のGGUF形式や、NeMo-Speech.cppでのローカル実行が公開された段階で、この記事を更新します。

この記事の情報は2026年10月30日確認です。

更新履歴：2026年10月30日：公開

＼AI時代の相棒探し／

関連記事