はじめに

NVIDIAは2025年5月6日、最新の自動音声認識モデル「Parakeet TDT 0.6B」を米国カリフォルニア州サンタクララの本社から公開しました。私たちが普段利用する動画や会議、音声通話をテキスト化する技術は、近年AI分野の発展とともに飛躍的に進化してきました。中でも速度と精度を同時に高めることは長年の課題であり、研究者やエンジニアが競ってきました。そんななかで登場したParakeet TDT 0.6Bは、従来手法の限界を超え、テキスト化の常識を変える可能性を秘めています。本記事では、モデルの特徴と性能、申し込み方法、活用事例を含め、中学生向けのわかりやすい言葉でご紹介します。

はじめに

Parakeet TDT 0.6Bの概要

Parakeet TDT 0.6Bは約6億パラメータを備え、音声を高精度かつ高速に文字起こしできる自動音声認識モデルです。本モデルはNVIDIAが開発し、商用利用を含む幅広い活用が可能なCreative CommonsライセンスでGitHubとHugging Face上でオープンソースとして公開されました。学習には120,000時間分の人手文字起こしデータと自動ラベル付けされたYouTube-Commons音声を活用し、多様な話者や話題に対応します。対応言語は現時点で英語のみですが、将来的な多言語対応も計画されています。

特徴と性能

Parakeet TDT 0.6Bは処理速度と認識精度を両立した点が最大の魅力です。NVIDIA独自のFast Conformerエンコーダーを用い、GPU環境で60分の音声をわずか1秒で文字起こし可能です。Open ASR LeaderboardではMicrosoftやOpenAIのモデルを上回る最低エラー率を実現し、特に数字や固有名詞の誤認識を大幅に低減しています。

高速文字起こし能力

GPUの並列演算を活用し、直列処理では実現困難な処理速度を達成しています。具体的にはNVIDIA A100やRTXシリーズでの動作が推奨され、クラウド環境でも同等性能を発揮します。CPUのみの場合は速度が低下しますが、数十分の音声も数分で処理可能です。

高精度な認識

話し言葉のニュアンスを反映し、自然な文章構造での文字起こしを行えます。自動で句読点や大文字化を行い、歌詞や会議録に含まれる専門用語や固有名詞も高い精度で認識します。

提供方法と申し込み手順

Parakeet TDT 0.6BはHugging FaceとNVIDIAのNeMoツールキットから無償で取得できます。以下の手順に従って、初めての方でも短時間で利用を開始できます。

1. NVIDIA Developerアカウントの取得

公式サイトで無料のDeveloperアカウントを登録しましょう。氏名、メールアドレス、パスワードを入力し、認証メールのリンクをクリックすると登録完了（約5分）です。

2. 環境準備とライブラリのインストール

Python環境を整えたうえで必要なパッケージをインストールします。ターミナルで以下を実行してください。
pip install nemo-toolkit[asr] transformers
GPUを利用する場合はCUDA対応ドライバが必要です。

3. モデルのダウンロード

Hugging Faceのリポジトリからモデルをプログラム内で取得します。サンプルコード：
from nemo.collections.asr.models import ASRModel model = ASRModel.from_pretrained("nvidia/parakeet_tdt_0.6b")