本文へスキップ

nvidia/nemotron-3.5-transcribe/speech-to-text

NVIDIA のオープンウェイト Nemotron 3.5 Transcribe は、40 言語で最長 1 時間の音声をテキストにし、必要なら単語の時刻と話者番号、または翻訳を返します。

最低価格 $0.00003/秒

プレイグラウンド

入力

音声からテキスト
1/1
1 / 1 ファイル
必須。90 MB までの MP3、WAV、MP4、WebM のアップロード、または音声ファイルや音声トラック付き動画の公開リンクです。長さは 1 秒から 60 分で、それより長いファイルは課金なしで拒否されます。 1 文字以上
Word Timestamps
既定はオフです。オンにすると、結果に各単語とその開始・終了時刻(秒)、0 から始まる話者番号が加わります。target_language とは併用できません。料金には影響しません。
空欄なら話された言語のまま書き起こします。言語を選ぶと代わりに翻訳が返り、翻訳は英語へ、または英語から行えます。単語タイムスタンプとは併用できません。料金には影響しません。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力
モデルの応答

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

NVIDIA · オープンウェイトの音声モデル

NVIDIA Nemotron 3.5 Transcribe:1 時間の録音を 40 言語でテキストに。単語の時刻、話者の切り替わり、翻訳も。

主なスペック

対応言語
40
Nemotron 3.5 Transcribe は話された言語を自分で判定するので、選ぶものはありません。
最長ファイル
60 min
1 リクエストにつき 1 時間までの録音 1 本。それより長いファイルは無料で拒否されます。
タイムスタンプ
単語ごと
単語タイムスタンプがオンなら、各単語の開始、終了、話者番号。
翻訳の組み合わせ
31
書き起こしの代わりに、英語へ、または英語から訳します。

課金前に知っておくこと

すべてのモード
  • 1 リクエストにつき録音 1 本、長さは 1 秒から 60 分です。それより長いファイルは実行前に拒否され、料金はかかりません。アップロードは 90 MB までで、公開リンクならもっと大きなファイルも指定できます。
  • 単語タイムスタンプと翻訳は併用できません。Nemotron 3.5 Transcribe には言語設定、カスタム語彙、ストリーミング出力がなく、結果はファイル全体の処理が終わってから届きます。
  • よく似た声は 1 人の話者にまとめられることがあり、単語の開始時刻は最大で 0.5 秒ほどずれることがあります。同じクリップを何度も繰り返す音声は途中で打ち切られることがあり、当社の 1 時間ループのテストでは数回の繰り返しのあとでテキストが止まりました。

できること

暗いホールで、黒いサテンのキャミソールの女性が手前のマイクに向かって話しています。その奥では異なる地域の大人たちがそれぞれ自分のマイクの前で話し、すべてのマイクから伸びる金色の糸が一本の線にまとまっています。

言語の自動判定

40 言語、言語を選ぶ欄は不要

ファイルを渡すだけで、音声そのものから言語を判定します。そのため、言語がまちまちの録音をあらかじめ仕分けておく必要はありません。当社のテストでは、日本語の天気予報は日本語の文字で、英語の通話は句読点や疑問符も含めて返りました。

単語の時刻と話者

すべての単語に開始・終了時刻と話者番号

単語タイムスタンプをオンにすると、結果の各単語に秒単位の開始・終了時刻と、0 から数える話者番号が付きます。当社の 2 人の声のラジオ通話は、切り替わりの位置で話者 0 と話者 1 に正しく分かれました。開始時刻は最大 0.5 秒ほどずれることがあり、似た声は 1 人にまとまる場合もあるため、字幕の行割りには向きますが、フレーム単位の同期には向きません。

翻訳

同じリクエストで翻訳まで

target_language を指定すると、書き起こしの代わりに、その言語に直した結果が返ります。当社の実行では、スペイン語のナレーションが英語に、英語の通話が日本語になりました。翻訳は英語を起点または終点として、ほかの 31 言語との間で使えますが、単語タイムスタンプとは併用できません。

襟元を開けた黒いシャツの男性が、首にヘッドホンをかけて革のアームチェアにもたれ、金色の残像になるほど速く回るオープンリールのテープレコーダーを笑顔で眺めています。横の砂時計はもう落ちきっています。

長い録音

58 分のファイルが約 52 秒で完了

1 回のリクエストで最長 60 分の録音を受け付け、ファイル全体の処理が終わった時点で結果が返ります。当社のテストでは、58 分のオーディオブックの 1 章が約 52 秒で完了し、単語タイムスタンプをオンにした同じファイルからは 10,594 語分の時刻が得られました。60 分を超えるファイルは実行前に拒否され、課金されません。

活用シーン

  • ポッドキャストとインタビューの書き起こし

    引用、番組ノート、検索のための、話者ごとに分かれたテキスト。

  • 字幕のタイミング

    話された言語のまま字幕ファイルを作るための単語単位の時刻。

  • 多言語のアーカイブ

    40 言語のどれで録音されていても、先にタグ付けせずに書き起こせます。

  • 下訳

    外国語の録音の英語の初稿、または英語の音声を別の市場向けに訳したもの。

モデルリファレンス

Nemotron 3.5 Transcribe API リファレンス

Nemotron 3.5 Transcribe API の仕様

モデル
NVIDIA Nemotron 3.5 Transcribe(オープンウェイト、OpenMDW-1.1)
エンドポイント
音声からテキスト
言語
書き起こしは 40 言語、自動判定
翻訳
英語へ、または英語から、ほか 31 言語
入力
90 MB までの MP3、WAV、MP4、WebM のアップロード、または公開リンク。1 秒〜60 分
出力
全文。単語タイムスタンプ付きなら各単語の開始、終了、話者番号
速度
当社のテストで 58 分のファイルが約 52 秒

Nemotron 3.5 Transcribe API の呼び出し方

  1. 録音をアップロードかリンクで

    90 MB までの MP3、WAV、MP4、WebM をアップロードするか、もっと大きなファイルは公開リンクで。話し声で最長 60 分です。

  2. テキストか時刻付きかを選ぶ

    速いプレーンな書き起こしなら単語タイムスタンプはオフ、字幕と話者の切り替わりならオンにします。

  3. または翻訳を選ぶ

    目標言語を選ぶと、その言語の結果が返ります。Nemotron 3.5 Transcribe は英語へ、または英語から訳します。

  4. 結果を読む

    書き起こしはテキストで届き、タイムスタンプ付きなら時刻と話者番号の付いた単語のリストも届きます。

モデルの概要

Nemotron 3.5 Transcribe は、長く多言語の録音に対する NVIDIA のオープンウェイトの答えです。40 言語のどれかで話された最長 1 時間の音声を送れば、約 1 分で全文が返ります。字幕が必要なら単語の時刻と話者の切り替わりを、別の言語が必要なら翻訳を付けられます。

Nemotron 3.5 Transcribe API のよくある質問