Nemotron 3.5 ASRで韓国語をリアルタイム文字起こししてテキスト保存

Nemotron 3.5 ASRは音声を小さなチャンクに分け、聞こえた言葉を順に表示するストリーミングASRです。録音終了後に一度だけ文字起こしする方法と異なり、マイク入力中にも表示が変わる場合があります。新しいチャンクが加わると文脈も増えるため、画面の短い句は暫定表示として扱い、無音後に確定した発話を最終結果として確認します。NVIDIAモデルカード

モデルカードには40の言語・ロケールが掲載されていますが、利用準備の状態は異なります。19はtranscription-ready、13はbroad-coverageで、そのまま文字起こしできます。残りの8つは分野別データで適応が必要です。韓国語のko-KRはtranscription-readyです。NVIDIAモデルカード

NeMo-Speech.cppはmacOS・Linux向けとWindows PowerShell向けのインストーラーを提供しています。OSに合う公式手順でCLI²を導入し、新しいターミナルを開いてnemo-speech doctorとnemo-speech model listを実行します。最初のコマンドは利用可能な音声・推論バックエンドを、次のコマンドは現在のビルドで使えるモデル名を表示します。

curl -fsSL https://github.com/NVIDIA/NeMo-Speech.cpp/raw/main/scripts/install.sh | sh

irm https://github.com/NVIDIA/NeMo-Speech.cpp/raw/main/scripts/install.ps1 | iex

nemo-speech doctor
nemo-speech model list

ターミナルのマイク利用を許可し、静かな場所で短く話します。コマンドはNemotron 3.5の別名を明示的に選び、最終的な韓国語テキストをlive-ko.txtに保存します。

nemo-speech pull nemotron-3.5
nemo-speech transcribe --live --model nemotron-3.5 --output live-ko.txt

話すのを止めると標準のendpointing設定が無音を検出して発話を確定し、マイク入力は続きます。全体の文字起こしを終えるにはCtrl-Cを一度押し、ストリームをフラッシュします。最終テキストはターミナルへ出力され、live-ko.txtを指定した場合は作業フォルダーにも保存されます。ファイルを開き、暫定表示から変わった語を比べます。NeMo-Speech.cpp CLIガイド

マイク入力は音声ファイルを作りません。文字起こし後に保存したテキストの数字や固有名詞を直し、元の録音があれば該当箇所を再生して確認してください。

リアルタイム文字起こしでは、話してから文字が表示されるまでの待ち時間が重要です。モデルは80～1120msの音声をチャンクとして集め、さらに推論時間をかけて文字を表示します。小さいチャンクは更新が多く、大きいチャンクは長い音声を集めてから処理します。使う端末とマイクで一文を読み、最初の表示と文の確定を確認してください。