NVIDIA Nemotron Transcribeの文字起こしの選び方：逐語・整文・話者・時刻を使い分ける

まず、どの用途の文字起こしが必要かを決める

録音を文章にするときは、「発言をそのまま引用したい」のか、「読みやすい議事録にしたい」のかで、残すべき表現が変わります。話者や発言位置を確かめたい場合には、文章だけでなくラベルや時刻も必要です。

NVIDIAは2026年10月28日、Nemotron 3.5 Transcribeの研究紹介とモデルを公開しました。依頼ごとの自然言語の指示によって、逐語、整文、文脈付き、話者付きなどの出力を選べる音声モデルです。この記事では2026年11月4日に確認した公式資料から、出力を選ぶときの意味と確認点を整理します。

公開されたモデルの重みやNIMなどは開発・実行環境の構成要素で、一般利用者がそのまま入れる録音アプリではありません。FoneClawへの搭載や、Androidでの標準利用が発表されたという意味でもありません。

引用する発言と、読みやすく整えた文章を分ける

次は、違いを説明するために作成した架空の発言と文章例です。実際の録音や、モデルが生成した結果ではありません。

整えた例ではためらいや読点を整理していますが、12件という数量、「だけ」という限定、20件ではないという否定、まだ案であること、日付未定を残しています。「12件を実施することに決定」と書けば、単なる整文ではなく意味の変更になります。

引用や根拠として使うなら、原音で確認した言い回しを残します。読みやすい文章は別欄に置き、発言そのものの引用と区別してください。数字を読み言葉から算用数字へ変える場合も、値が合っているかを確認します。

逐語と整文のどちらかが、すべての用途で優れているわけではありません。大切なのは用途との一致です。整文も内容を短くまとめる要約とは別であり、読みやすくするために重要な条件を省かないようにします。どちらを選んでも、照合できる原音は保持してください。

専門用語の文脈は、聞こえない言葉を補うために使わない

Nemotron 3.5 Transcribeは、想定される固有名詞などの一覧を使う文脈付き文字起こしを案内しています。また、出力スタイルは依頼ごとの自然言語指示で選べ、その選択のために再学習する必要はありません。

利用するサービスや実行環境が対応しているなら、処理を許可された資料から、関係するプロジェクト名、製品名、略語の正式表記を少数に絞って用意できます。無関係な社内情報や大量の名前を加えるより、対象録音に必要な文脈を選びましょう。

依頼内容を考える例としては、「想定される用語は［表記一覧］です。読みやすい文章に整えますが、否定・数量・提案の表現は保持してください」のように、語句と出力目的を分けられます。これは依頼方針の例で、特定のAndroidアプリにある設定画面や、そのまま使える操作手順ではありません。

一覧に名前があることは、その語が録音で発言された証拠にはなりません。聞き取りが曖昧な箇所をもっともらしい専門用語で埋めず、原音へ戻して確認します。名前の一覧から話者の実名を決めることもできません。

文字起こし、より多くの音声情報を扱う文字起こし、音声翻訳、言語識別は別のタスクです。元の発言を引用する目的なら、翻訳や解釈を加えた文章と混ぜないでください。機能名よりも、今回必要な出力が何かを明示することが重要です。

話者ラベルと単語時刻は、原音に戻って確認する

話者付きの出力は会話を読み分ける手掛かりになりますが、話者の実在の身元を確認する機能とは別です。話者ラベルが付いても、その人物が録音や処理に同意した証明にはなりません。

特に複数人の発言が重なる場面では、発言の区切りと帰属を確認します。相づち、割り込み、直後の訂正が別の人の発言に結び付くと、数量や否定の意味まで変わる可能性があります。重要な合意や担当者の判断には、ラベルだけでなく前後の原音が必要です。

単語単位のタイムスタンプは、要求に応じて出力する機能として紹介されています。時刻を使えば照合箇所を探しやすくなりますが、要求すれば必ず正しい位置が返るという保証ではありません。

NVIDIAの公式実行ドキュメントでは、CTCによる位置合わせができない場合にalignment_errorが返ることが説明されています。確認した開発版ドキュメントでは、単語時刻は単一音声、非ストリーミング、一つの生成結果という条件があり、DFlash2とCTCによる時刻付与の併用も現時点では対応していません。

したがって、利用する環境で何が有効かを確認し、時刻がない・ずれている場合は原音を聞き直します。手動で確認した位置と自動出力された時刻を区別して残し、時刻の見た目だけで発言の正確さを判断しないでください。

言語・音声形式・録音時間の条件を確かめる

公式紹介は40言語と、1録音当たり最大1時間の処理を案内しています。ただし、すべての言語で、逐語・話者付き・翻訳・音声への質問などが同じ品質になるとは限りません。公式実行資料では、音声への質問応答と指示理解の評価は英語のみとされています。

日本語を含む自分の録音で使う場合は、言語名だけでなく、必要なタスク、会話の重なり、専門用語、録音状態に合うかを確認します。提供元のベンチマークは特定の条件での評価であり、自分の会議やインタビューの結果を保証するものではありません。

実行資料に示される音声入力は16kHz・モノラルです。実際に使うサービスが変換を行うのか、自分で対応音声を用意する必要があるのかは、その環境の仕様を確認してください。変換する場合も元ファイルを上書きせず、派生ファイルと区別して保持します。

• 1時間を超える録音：対応する長さと処理方法を先に確認する。
• 複数言語や非対応の言語：タスクごとの対応条件を確かめる。
• 音が途切れた録音：欠落区間を記録し、文章で補完しない。
• 分割して扱う場合：元録音のどの区間かを残し、境界の発言を照合する。

長い録音が自動的に分割・統合され、話者や時刻も一貫して保持されるとは考えないでください。出力が得られた後も、最後まで処理されたかと、必要な区間が欠けていないかを見ます。

オフラインASRと、スマホだけで動くことは別

この実行資料でいうオフラインASRは、録音をまとめて処理する非ストリーミング方式を指します。発話しながら単語が順に出るリアルタイム処理とは区別されますが、それだけで「通信せず、手元のAndroidだけで処理する」という意味にはなりません。

公式資料に示される実行プロファイルには、BF16でH100 80GB、FP8・NVFP4でRTX PRO 6000 Blackwell 96GBを使う構成があります。NVFP4にはBlackwellが必要とされています。これらは記載された構成であり、あらゆる実行方法に共通する最低要件と読み替えるものではありません。

モデルにはGGUF形式の公開もありますが、その存在だけで通常のAndroid端末のCPUで動く、またはFoneClawから選べると判断することもできません。対応ソフトウェア、モデルの実行方法、必要なメモリーなどを別に確認する必要があります。

一般利用者にとって重要なのは、どのサービスがどこで音声を処理するかです。モデルを公開・ダウンロードできることと、利用するサービスのデータ保持、送信先、アクセス権限は別の問題です。機密性のある録音を扱う前には、処理の許可と実際の提供条件を確認してください。

モデルの公開を理由に、完全な端末内処理やデータの一切の非保持を約束することはできません。録音アプリを探しているのか、開発向けモデルを導入したいのかを分けると、必要な確認先も明確になります。

使う前に根拠を照合し、実際の録音経路を選ぶ

確認方法を考えるため、参加者の同意と必要な組織の承認を得た10分の会議があると仮定します。以下は読者が使える確認表で、実際のモデル試験やその出力を示すものではありません。

Androidで何を使いたいかがまだ曖昧なら、Androidの音声操作・音声入力・AI書き換え・文字起こしの違いで、入力と出力の種類を整理できます。モデルの機能一覧と、日常の録音アプリの選択は分けて考えましょう。

新しいAndroid録音を記録して内容を確認する経路には、私たちのFoneClaw Voice Notesがあります。対応するAgent内で録音・一時停止・再開・保存・名前付けを行い、文字起こし・要約・チャプターを原音と照合します。これはNemotronを選択・利用できるという案内ではなく、NVIDIAの40言語などの能力を引き継ぐものでもありません。

Voice Notesは無料プラグインですが、Agentやモデルの費用、設定、権限は別です。FoneClawの機能案内にある対応条件を確認してください。Full APK版はAPKプラグインに対応し、Google PlayのLite版ではインストールできません。任意の外部音声の取り込みや完全なオフラインAI処理を前提にする経路ではありません。

単独録音を確かめる手順は、Android録音のAI文字起こしと要約：録音設定から確認済みノートの作成までで確認できます。少なくとも2件の保存済み録音から既存の文字起こしを再利用する方法は、FoneClawの録音コレクションでプロジェクトを振り返る：決定・変更・未決事項の整理で扱っています。

再要約では生成された対応事項を更新しつつ、保存済みの実際のToDoを保持します。自分の対応事項を保存する場合は、別の対応する依頼で内容と保存先を確認し、日付を指定したときだけその日付を使います。未定なら期限なしにし、実際の保存結果を確かめてください。文字起こしから行動へ進むときも、整った文章ではなく、確認できた根拠を起点にしましょう。