• NVIDIAが2026年10月28日、オープンウェイト（無償・商用利用可）の音声認識モデル「Nemotron 3.5 Transcribe」を公開したと発表されています。40言語の文字起こし・31言語の翻訳・最大8名の話者識別に対応しているとされています。
  • 医療現場での利用を明示的に想定しており、医療用語を正確に認識させるプロンプト設定や、医師・医学生の音声データを用いたファインチューニングで文字認識誤り率を45.8%削減できたとNVIDIAは報告しています。
  • 商用利用可能なオープンモデルとして提供されており、英語音声認識の公開ベンチマーク（Hugging Face Open ASR Leaderboard）でオープンウェイトモデル中1位（単語誤り率5.33%）をNVIDIAは主張しています。

事実の整理

NVIDIAは2026年10月28日、音声認識モデル「Nemotron 3.5 Transcribe」のオープンウェイト公開を発表しました。Hugging FaceおよびModelScopeで無償配布されており、ライセンスは商用利用を許可する形態であるとされています。

モデルの主な仕様として報告されているのは以下のとおりです。40言語の文字起こし、31言語の英語への翻訳、最大8名の話者識別（話者分離・ダイアリゼーション）に対応しており、最大約1時間の録音音声を処理できるとされています。モデルのアーキテクチャはMamba-TransformerのMixture-of-Experts構成で、総パラメータ数は約30Bながら、1トークンあたりの処理には約4Bを使用するとされています。

医療分野への適用について、NVIDIAはインドの医師・医学生による録音データ（Eka Care提供のベンチマーク、3,619件）を用いた評価結果を示しています。医療用語を指定したプロンプトを設定するだけでも単語誤り率が改善し、さらに約14GPU時間のファインチューニングによって誤り率が45.8%削減されたと報告されています。開発者は「医療用語を正確に認識するよう指示する」「クリーンな書き起こしと逐語記録を使い分ける」といった自然言語の指示でモデルの出力形式を制御できるとされています。

一方で、このモデルは録音済み音声専用であり、リアルタイム（ライブ）文字起こしには対応していないとNVIDIAは明示しています。また公開されているベンチマーク結果はNVIDIA自身の評価によるものであり、第三者による独立した検証はまだ限られています。

同時に公開された音声データセット「Granary v2」は48言語・463,062時間のデータを含む無償データセットであり、専門分野のボキャブラリや特定のアクセントへのファインチューニングに利用できるとされています。

臨床家にとっての意味

この発表がセラピスト・理学療法士・作業療法士・柔道整復師・鍼灸師などの臨床実務にどう関係しうるかについて、現時点で言えることとまだ言えないことを整理します。

現時点で可能性として示されていることは以下の点です。まず、臨床記録の作成補助への応用が考えられます。施術後や評価後に録音したセラピスト自身の音声メモを文字起こしする用途であれば、オープンウェイトモデルとして無償で試験的に利用できます。次に、多言語対応については、在住外国人や訪日患者への対応が必要な施設において、英語・中国語・韓国語など31言語から日本語を含む形での翻訳支援が選択肢に入りうるとされています。また複数人カンファレンスの記録については、最大8名までの話者識別機能が実装されており、多職種カンファレンスや症例検討会の音声記録整理への応用が技術的には可能とされています。

まだ言えないこと・注意が必要な点もあります。第一に、このモデルはリアルタイム文字起こしには対応していないため、患者との会話をその場で記録する用途には使えません。第二に、日本語医療用語の認識精度については公式に発表されたデータがなく、英語圏の医療音声で示された精度が日本語診療現場に同様にあてはまるかは不明です。第三に、このモデルの実際の運用にはGPU環境の構築が必要であり、一般的なクリニックや治療院が日常業務で直ちに導入できる状態ではありません。クラウドサービスへの組み込みが進むかどうかも現時点では不明です。第四に、患者の音声データを扱う場合には、医療情報としての個人情報保護法や施設のプライバシーポリシーとの整合性を慎重に確認する必要があります。

記録作成の時間的負担はセラピストが抱える課題の一つとして継続的に指摘されており、音声認識AI技術の発展はその解決策として注目されています。ただし本モデルが実際の臨床ワークフローに組み込まれるには、日本語精度の検証、システム統合、プライバシー対応など複数のステップが必要とされています。今後の独立した評価と実証事例の蓄積を待つ段階にあると言えます。

出典

  1. Nemotron 3.5 Transcribe: Open Speech Recognition at 5.33% WER Across 40 Languages（NVIDIA / Hugging Face Blog, 2026年10月28日）
  2. Nvidia releases an open speech model that transcribes 40 languages（The Next Web, 2026年10月28日）

本記事は情報提供を目的としており、特定の製品・サービスの推奨や導入効果の保証をするものではありません。記載されている情報は執筆時点のものであり、最新情報については各一次ソースをご確認ください。