NVIDIA Nemotronによるオンデバイス音声認識

ローカルでの文字起こしには、長い間つきまとってきた問題が2つあります。精度がクラウドに及ばないことと、複数人の会話の文字起こしが1つにまとまった文章で返ってきて、あとから読みにくいことです。Nemotronはその両方に役立ち、しかも完全にお使いのデバイス上で動作します。

Nemotronは、NVIDIAのオープン音声モデルファミリーであるNemotron Speechの一部です。NVIDIAが2026年6月にリリースし、Hedyはデモではなく実際に提供される製品に取り入れた最初のアプリの一つです。いまでは、Hedyで選べる音声エンジンの一つとして、WhisperやParakeetと並んでいます。

ローカル精度の明らかな向上

ローカルでの文字起こしは、会話を自分のハードウェアに置いておきたい方にとって、常に正しい選択でした。ただ、難点は精度でした。オンデバイスのモデルはクラウドに及ばず、気づくほどの差になることもありました。Nemotronはその差を縮めます。日常のミーティングや通話では、生成される文字起こしは、従来のローカルモデルより明らかに向上しており、そのために何かがデバイスの外へ出ることもありません。

オンデバイスの文字起こしがHedyの中でどう位置づけられるか、全体像を知りたい方は、ミーティング向けローカルAIの概要とHedy 3.2のエンジニアリング詳細解説をご覧ください。

話者を区別します

より大きな変化は、複数人の文字起こしが、あとでどう見えるかです。従来のローカル文字起こしは、誰が話していたのか分からない、ひとかたまりの文章を返していました。Nemotronは話者を分けて、話者1、話者2、話者3というようにラベルを付けます。やり取りの多いミーティングが、やり取りの多いミーティングとして読めます。

ラベルが表示されるタイミングは、プラットフォームによって異なります。

• iPhoneとMacでは、人が話し、会話が行き来するのに合わせて、ラベルがリアルタイムに表示されます。
• WindowsとAndroidでは、セッション終了時の処理中に追加されるため、リアルタイムではなく、文字起こしの準備ができてから表示されます。

2つのバージョン：英語版と多言語版

Nemotronには2つのバージョンがあり、ご自身の使い方に合うものを選べます。英語版は、英語のみの会話に最適化されています。多言語版は、1つのモデルで幅広い言語に対応しており、ミーティングで言語が切り替わる場合や、英語以外の場合に選ぶものです。

どちらも設定の音声とAIセクションで、Whisperの隣に表示されます。エンジンの切り替えは、数回のタップで済みます。すべての選択肢を並べて比較するには、Hedyの音声認識エンジンの比較をご覧ください。

Parakeetからの移行

NemotronはParakeetの後継です。同じ役割を、より正確な文字起こしでよりうまくこなします。現在Parakeetを使っている場合は、Nemotronに切り替えてください。Parakeetは廃止される予定で、その取り組みはNemotronに引き継がれます。Whisperは、最も幅広く対応するエンジンとして、古いデバイスをお使いの場合や、単にそれを好む場合の無難な初期設定として、そのまま残ります。

利用に必要なもの

iPhoneとiPadでは、Nemotronの利用にiPhone 12以降、またはその世代以降のiPadが必要です。それより古いAppleデバイスには、このオプションは表示されません。Mac、Windows、Androidでも動作します。

設定 → 音声とAIを開き、英語版か多言語版のNemotronを選ぶと、次のセッションはお使いのデバイス上で、話者ラベル付きで文字起こしされます。あとから読みやすく、そのために何かがデバイスの外に出ることもありません。