Hugging Faceの発表内容
2026年10月30日に、40言語に対応した音声AIモデル「Nemotron 3.5 Transcribe」がHugging Faceで公開されました。ライセンスは「OpenMDW-1.1」を採用しており、無償での商用利用が認められています。
このモデルは最長1時間の音声処理に対応します。文字起こしのほか、31言語の英語相互翻訳や13言語の話者分離（話している人を識別する処理）を1つのモデルで処理できます。指示文を与えることで、要約や文字起こしの形式を用途に合わせて変更できます。
会議の録音をテキスト化する業務では、外部サービスへの課金を抑えながら自社環境で音声を処理できます。話者の識別や単語ごとの時間情報も取得できるため、議事録作成の確認作業を減らせます。
つまり、どういうこと？
ざっくり言うと、外国語が混ざった1時間の会議音声を、誰が何を話したかまで見分けて文字にしてくれる無料の道具です。たとえるなら、40か国語を聞き分けられる優秀な書記が手元に来るような変化です。
編集部の見方
商用利用が無償で開放された点に驚きました。1時間の音声を丸ごと扱えて話者分離まで備えるモデルは、自前で構築する開発者にとって強い味方になります。まさに実用重視の構成。
これだけの機能が揃うと、文字起こしを有料の外部APIに頼っていた社内ツールの見直しが進みそうです。自社サーバーで動かしたい企業なら、検討する価値は十分にあります。
今後は近日公開とされている軽量化モデルの動作速度に注目したいところです。
誰に関係するか
多言語の会議録音を抱えている人は、追加の利用料を払わずに自前で高精度な文字起こしを行えるようになります。
