Nemotron 3.5 Transcribeを含む4つのオープンウェイトを、生成AIウィークリーで整理する

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回は、テクノエッジが2026年11月6日に公開した、生成AIウィークリー第166回を紹介します。この1週間に出たオープンウェイトのAI4つを並べた回です。

この記事は、私が保存したブックマークから書いています。私の過去記事には、手元に置く物をどう選ぶかという考えがあります。4つのニュースで、その考えを確かめ直したいと思いました。ChatGPTやClaudeを仕事に使っていても、手元で動くAIという話が増えると、自分の仕事のどこに関係するのか分からなくなりますよね。その分からなさを、入口で分けて見る記事です。

私の考えは、私の考えと分かる形で書きます。山下さんの記事の数字は、各社・各チームの発表として受け取ります。

テクノエッジの記事（生成AIウィークリー第166回の紹介）

今回の「生成AIウィークリー」（第166回）は、スマホでも高速で動くオープンウェイトのAIモデル群「LFM3」や、数百ページの文書を一括解析できるローカルOCRモデル「Unlimited OCR 2」を取り上げます。

山下（Seamless）さんが、2026年11月6日にテクノエッジ TechnoEdge で連載「生成AIウィークリー」の第166回を公開しました。この1週間の気になる生成AI技術・研究を解説する回。

私はこの記事をブックマークしていました。

取り上げられたのは4つ。スマホでも高速で動くオープンウェイトのAIモデル群「LFM3」。数百ページの文書を一括解析できるローカルOCRモデル「Unlimited OCR 2」。

複数話者の文字起こしなどができるNVIDIA開発の音声AI「Nemotron 3.5 Transcribe」。

そして、GPT-6.1 Terraと同等のコーディング性能を持つAIモデルとして紹介された「Mistral Large 4」です。

オープンウェイトとは、AIモデルの重み（学習の結果の数値）が公開されていて、手元にダウンロードして動かせる形のこと。使える条件は、ライセンスで別に決まります。

連載には「生成AIクローズアップ」という枠があります。今回は、コーディングAIが作るAIっぽいUIを消すスキル3つの単体記事が、別にあるそうです。ただ、中身はこの記事では扱いません。

ここから先は、私の読み。ニュースの数字が多いと、どれも自分に関係ある気がして、結局どれにも手を付けない。そうなりやすいんですよね。入口で分けると、自分の仕事に近いのはどれかが見えてきます。

一人社長や小さなチームの仕事なら、会議の録音、厚いPDF、社外に出したくない書類のうち、手元に溜まっている物を1つ思い浮かべてみてください。その1つが、4つのどの入口に近いか。

そこから読むのが、今回の読み方です。

テクノエッジの記事（Nemotron 3.5 Transcribeの紹介）

また、日本語も実用レベルでサポートされており、英語との双方向翻訳、複数話者認識に対応しています。

山下さんの記事では、Nemotron 3.5 Transcribeは日本語も実用レベルでサポートされていて、英語との双方向翻訳と複数話者の認識にも対応する、と紹介されています。

NVIDIAが公開したのは、40言語に対応するオープンウェイトの音声認識AIモデル「NVIDIA-Nemotron-3.5-Transcribe-30B-A4B」です。

文字起こし、音声翻訳、言語識別、音声に関する質問応答に対応する、と山下さんの記事にあります。

総パラメータ数は34B（340億）で、推論時は約4.3B（43億）パラメータで動くそうです。パラメータとは、モデルの中の数値の数のこと。

重みデータはBF16のほか、量子化版のFP8やNVFP4でも提供されています。量子化は、数値の細かさを落としてメモリを小さくする方法です。

構造は、言語モデル「Nemotron-3.5 Lightning」に、音声認識と話者識別のエンコーダを組み合わせたMoEです。MoEは、全体の一部の専門部分だけを動かす構造のこと。

最大1時間の録音に対応して、商用でも非商用でも使えるとのことです。

AI氣道『Nemotronとは。NVIDIAが言うAIの所有を個人と小さな会社の目線で整理』より

「NVIDIAは、AIを作る組織の側から「どう組み立てるか」を見ています。私は、AIを使う人の側から「何を先に置くか」を見ています。見る場所は違うのに、同じ分かれ目を指している。」

AIを使う人の側から何を先に置くかを見るという話を、私は『Nemotronとは。NVIDIAが言うAIの所有を個人と小さな会社の目線で整理』で書いています。

引用の1文には、NVIDIAは組み立てる側、私は先に置く側、と見る場所の違いを書きました。今回のNemotron 3.5 Transcribeも、同じ分かれ目に立っている話かな、と私は読んでいます。

私の記録も重ねます。2026年11月6日、日本語文字起こしAIのHaas-jaを、AIに頼んでMacで測った。

同じ10発言（音声96秒）の読み確認は、Haas-jaが12.2秒、Whisperが17.9秒でした。

ただ、話者分離がありません。誰が話したかを分ける機能が、ないんです。英字は小文字になり、人名を間違える所も残った。精度を表す誤り率は、Whisperを上回れず。

速さの数字は、サーバーが混雑した状態で測ったので、目安です。

私の運用は、こうです。普段の文字起こしは替えず、講座動画の声の点検だけをHaas-jaに替えました。壊れた時は、faster-whisperへ自動で戻る形。

山下さんの記事の複数話者認識は、私が測って残った弱い所と同じ方向の話だと読みました。

テクノエッジの記事（Unlimited OCR 2の紹介）

さらに、最大30ページの文書を扱うベンチマーク「MPDocBench」と、同社の最大300ページの文書解析ベンチマーク「MarathonDocBench」の両方で最先端（SOTA）を達成しました。

山下さんの記事では、最大30ページと最大300ページの2つのベンチマークの両方で、Unlimited OCR 2が最先端（SOTA）を達成した、と紹介されています。

BaiduのERNIEチームが、数百ページに及ぶ長文ドキュメントを一括で解析できる「Unlimited OCR 2」を、MITライセンスで発表しました。OCRは、画像の文字をコピーできる文字に読み取る技術です。

前身の「Unlimited OCR」は、デコードのたびに、文書内の全ページの画像情報を参照し続ける必要がありました。

ページ数が増えるほど1ステップあたりの計算の負担が膨らみ、数百ページ規模は難しかった、と山下さんの記事にあります。

研究チームは、人間が本を書き写す時の動きをモデルに取り入れました。現在のページに集中して、必要な時だけ前のページを振り返る動き。

そこで新しい注意機構「SR-SWA」を開発し、一度に処理する画像データの量を一定の上限内に抑えました。

さらに、文書をチャンク（かたまり）に分けて順に処理し、不要なデータをメモリから解放するデコード手法を組み合わせています。

何百ページでも、メモリ使用量と1ステップあたりの処理速度をほぼ一定に保てる、という説明です。

評価の数字も、山下さんの記事にあります。

100ページ規模の文書で、標準的なFull Attention（すべての情報を参照する方式）より1ステップあたり7.0倍、前身のR-SWAより5.6倍の高速化を達成したそうです。

山下さんの記事には、前身の記事（2026年6月29日・数十ページのPDFを1回で処理）へのリンクもあります。

ここは私の読み。数字は、研究チームの発表として受け取ります。物差しは、ページ数の多い文書での速さとメモリの安定にある、と見ています。

契約書、見積書、報告書の束のように、ページ数が多くて外へ出したくない書類を、手元で読ませたい場面があります。そこで「手元で動く」という言葉が、仕事に結び付いてきます。

テクノエッジの記事（LFM3の紹介）

テキストモデルは4ビット精度で約1GBのメモリに収まる軽量設計ながら、新しいアーキテクチャと学習手法により、エージェント系タスクなどでは数倍の規模のモデルに匹敵する性能を発揮します。

山下さんの記事では、LFM3のテキストモデルは4ビット精度で約1GBのメモリに収まる軽量設計で、エージェント系タスクなどでは数倍の規模のモデルに匹敵する性能を発揮する、と紹介されています。

Liquid AIが公開したのは、スマホやPCの端末上で直接動くオープンウェイトの小型AIモデル群「LFM3」です。4ビット精度は、数値の細かさを落としてメモリを小さくした形のこと。

ラインアップは6つ。ツール操作や自律作業に強いテキスト用の「LFM3-1.7B」。動画理解や空間把握に対応した視覚用の「LFM3-VL-2B」。

18言語の音声認識・合成・翻訳に対応し、低遅延の音声対話もできる音声用の「LFM3-Audio-2B」。映像と音声を同時に理解してツールを動かす統合型の「LFM3-Omni-2B」。

残りの2つは、判断だけを数ミリ秒で返す意思決定モデルの「d1-2B」と「d1-Omni-2B」です。意思決定モデルは、文章を作らず、「これを実行するか」のような判断だけを返すモデルのことです。

AI氣道『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』より

「私は2026年8月18日から19日にかけて、手元のLM StudioでQwen 3.8を動かそうとして、うまく動きませんでした。LM Studioは、手元でAIを動かすアプリです。」

手元のLM StudioでQwen 3.8を動かそうとして、うまく動かなかった時のことを、私は『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』で書いています。

手元で動かそうとした経験が、ここでの手がかり。LFM3の端末で動くという話は、画面の数字だけでなく、動かせるようになるまでの手間も含めて見たいんですよね。動画の再現の画面と私の机は、別の環境ですから。

約1GBというメモリの数字は、端末の中でAIが動く、という話につながります。社外に出したくない書類や録音を、端末の中だけで扱える形があるか。そこに、私の関心は向きました。

意思決定モデルの話も面白い。判断だけを数ミリ秒で返すなら、文章を作る大きなモデルとは役目が違います。仕事の中の、はい・いいえで足りる所に当てはまるかもしれません。

テクノエッジの記事（Mistral Large 4の紹介）

ライセンス上、利用・改変・追加学習・商用利用が可能ですが、Model as a Serviceを提供する事業者は商用利用の前に別途ライセンスを取得する必要があります。

山下さんの記事では、ライセンス上、利用・改変・追加学習・商用利用が可能、と紹介されています。ただしModel as a Serviceを提供する事業者は、商用利用の前に別途ライセンスが必要。

Model as a Serviceは、モデルをAPIなどで他社に提供する事業のことです。

フランスのAI企業Mistral AIが、最新のマルチモーダルAIモデル「Mistral Large 4」（通称Le Chonk）のオープンウェイトを公開しました。

総パラメータ数は約1兆で、アクティブパラメータ520億のMoEです。

Artificial Analysisのコーディングエージェント指標では48%を記録した、と山下さんの記事にあります。Mistralは、オープンモデル首位のGLM-5.3と事実上同点としています。

同じ指標で、Mistral Vibe上のMistral Large 4のスコアは、Codex上のGPT-6.1 Terraと同じでした。

記事の見出しでも、一部のコーディング指標でGPT-6.1 Terraと同点、と書かれています。

AI氣道『Mac Studio 512GBの約450万円の予約と、機密を手元に置くローカルAIの話を整理する』より

「私の手元にあるのは MacBook Pro で、M5 Max の128GBメモリです。そのMacで画像生成AIの Qwen-Image-2.1 を回して、記事の見出し画像を作ったことがあります。」

128GBメモリのMacで画像生成AIを回して、見出し画像を作った話を、私は『Mac Studio 512GBの約450万円の予約と、機密を手元に置くローカルAIの話を整理する』で書いています。

私の手元は、128GBメモリのMacBook Proです。約1兆という数字を前にすると、自分の机で動かす話なのか、使わせてもらう話なのかが、まず分かれます。

ここは私の読み。決めるのは、動かす側の条件を見てから。自分の机の大きさと、ライセンス上の立場の2つで決まる、と私は考えています。

ライセンスの所では、読者の立場も大事です。自社の仕事に使うだけなのか、モデルをAPIなどで他社に提供する事業をするのか。後者なら、別途ライセンスが必要になります。

コードを書く仕事に近い人は、ここが入口の確認になります。

テクノエッジの記事（Mistral Large 4の数字の紹介）

Artificial Analysisのコーディングエージェント指標では48%を記録しました。

ここで大事なのは、この48%が、山下さんの記事の中で紹介されている数字、という点です。

今回の数字は、48%、7.0倍、5.6倍、約1GBでした。Mistral、Baidu、Liquid AIなど、各社・各チームの発表として紹介されています。

4つの数字は、物差しが別々です。音声・文書・端末・コードで、測っている物が違う。48%と7.0倍は、並べて大小を言えません。

山下さんの記事の数字は、4つとも、記事の中では各社・各チームの発表として並んでいます。そのまま自分の仕事の速さや正確さに置き換えない。これが、この章の私の受け止めです。

ニュースの数字は、自分の素材で確かめるまで目安として受け取る。録音でもPDFでも端末でも、同じです。ここは私の考えです。

固有名詞や専門用語は、モデルを替えても確かめる所が残ります。ここで、私の記録を1つ置きます。

LIVEの文字起こしで、「アドレス」と出る所があります。ゴールやナレッジの話の文脈では、「Addness」が正しい。2026年11月5日に、私は「アドレスななくAddness。

覚えといて」と指示して、直す決まりにしました。

文字起こしAIが新しくなっても、この決まりは消えません。文字にする力が上がっても、社名や用語の確認は人の側に残る。私は、そう読んでいます。

自分の仕事で、聞き間違えられると困る名前を1つ思い浮かべてみてください。社名でも取引先の名前でも構いません。それが、試す時の確かめ項目の最初の1行になります。

テクノエッジの記事（Nemotron 3.5 Transcribeの対応範囲の紹介）

商用・非商用を問わずに利用できます。

山下さんの記事によると、Nemotron 3.5 Transcribeは最大1時間の録音に対応して、商用・非商用を問わず使えます。ここから、試す素材の大きさを決められます。

まず、入口を1つ選びます。音声なら、Nemotron 3.5 Transcribeの上限の目安が最大1時間の録音なので、1時間以内の録音を1本。文書なら、外へ出していい資料を1つ。

端末なら、LFM3の6つから、自分の入口に当たる1つ。コードなら、Mistral Large 4のライセンスで、自分がサービス提供事業者に当たるかどうかを見ます。

次に、試す前に、外へ出さない情報の線を1行で書きます。たとえば、取引先の名前と個人情報は渡さない。これだけで構いません。

手元で動かすか、外のサービスで使うか。その前に、渡さない情報の線があるんです。線が先にあれば、どの入口を選んでも、迷い方が変わります。

ここは私の考え。試す素材は、外へ出していい物から始めます。たとえば、公開済みの資料や、自分で話した内容の録音です。

AIの答えは下書きとして受け取り、任せ切りにはしません。自分の目で読み直す。一人社長の仕事では、確認する人が自分だけの日も多いかもしれません。

手順づくりの聞き取り役は、AIに任せられます。入口は何か、素材は何か、線はどこか。聞かれて答えるだけで、自分の仕事の1行が決まっていきます。この記事の末尾に、AIエージェントに渡す依頼文の囲みがあります。

生成AIウィークリー第166回のオープンウェイトは、音声のNemotron 3.5 Transcribe、文書のUnlimited OCR 2、端末のLFM3、コードのMistral Large 4でした。ニュースの数が多く見えても、入口で分ければ4つの別々の話です。

山下さんの記事の数字は、各社・各チームの発表として受け取ります。物差しが別々なので、横に並べて比べません。自分の素材で確かめるまでは、目安です。

私の過去記事の考えと、Haas-jaを測った記録を重ねると、見る場所が見えてきます。手元で動かすには手間がかかります。128GBメモリの机の大きさもあります。固有名詞は、モデルが変わっても確かめる所が残ります。

先に決める1つは、入口を1つ選ぶことと、外へ出さない情報の線を1行書くことです。外へ出していい素材1つから、確かめ始められます。

この記事で学んだことを誰かに教えて恩送りして学びを深めよう！