NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeNemotron 3.5 Transcribe は、NVIDIA が 2026 年 10 月 28 日に公開したオープンウェイトの音声モデルです。録音された音声を 40 言語でテキストに起こし、言語は自動で判定します。そのうち 31 言語は英語との相互翻訳に対応し、話者ラベルは最大 8 人まで区別できます。APIMODELS では音声タスクのエンドポイント上の 1 つのモデル ID nemotron-3.5-transcribe(nemotron-3-5-transcribe、nemotron-transcribe、nvidia/nemotron-3-5-transcribe も可)で、このプラットフォーム初の音声認識モデルです。返ってくるのは音声ファイルではなくテキストです。入力は audio_url で、公開ダウンロードできる MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM の音声、音声トラック付きの MP4・MOV 動画、または data URI を渡します。1 リクエストあたり最長 60 分、最大 200 MB です。timestamps を true にすると、完全な結果ファイルに単語ごとの開始時刻・終了時刻・話者ラベルが入ります(中国語は 1 文字ごと)。target_language を指定すると、文字起こしの代わりに翻訳が返ります。品質が保証されるのは片方が英語の場合だけで、timestamps との併用はできません(併用すると 400 が返ります)。呼び出しは非同期です。taskId を受け取り、GET /v1/audio/generations?task_id= をポーリングするか callback_url を渡し、resultJson から text、duration、transcript_url を読み取ります。結果ファイルの保存期間は 30 日です。自社テストでは、2 人が話す 47 秒の英語音声をタイムスタンプ付きで送ったところ、約 4 秒で返り、143 語それぞれに開始・終了時刻と話者ラベルが付いていました。向いている用途は、話者ごとに分けた会議・インタビューの議事録、単語の時刻から組み立てる動画やポッドキャストの字幕、サポートや営業の通話録音の品質チェックと分析、講義や決算説明会など長時間音声のアーカイブと検索、多言語コンテンツの英語テキスト化、検索用や言語モデルに渡すための書き起こし作成です。ライブ字幕やリアルタイムの音声アシスタントには向きません。あらかじめ知っておきたい制限:ファイル全体をまとめて処理するオフライン文字起こしで、リアルタイムのストリーミングには対応しません。声の似た話者は 1 人にまとめられることがあります。単語の終了時刻の誤差はふつう数十ミリ秒ですが、開始時刻は 0.5 秒ほどずれることがあり、英語でより目立ちます。同じ音声を複数回処理すると、一部の語が変わることがあります。中国語の結果では外国人名が音訳されることが多く、数字の一部が漢数字になる場合があります。また、リンクをダウンロードできない、ファイルから音声を取り出せないなどの理由で、すべてのタスクが成功するわけではありません。料金は音声 1 分あたり $0.0025(1 時間 $0.15)で、秒単位に切り上げた長さで按分します。10 分で $0.025、60 分のファイルで $0.15 です。タイムスタンプ、話者ラベル、翻訳に追加料金はありません。金額の最小単位は $0.0001 で、それに満たない場合は $0.0001 になります(約 2 秒以内の音声)。長さを読み取れないファイルは課金なしの 400 で拒否され、失敗したタスクは課金されません。
Transcribe audio to text
MP3, WAV, M4A, AAC, FLAC, OGG, Opus or WebM, or an MP4 / MOV video with an audio track. The API takes up to 60 minutes and 200 MB by URL; uploads here are limited to 10 MB for audio and 100 MB for video.
Adds a start time, an end time and a speaker label for every word to the full result JSON. No extra charge.
Returns a translation instead of a transcript. Dependable only when English is on one side: another language into English, or English into the language you pick. No extra charge.
$0.0025 per minute of audio ($0.15 per hour), prorated by the second. Timestamps, speaker labels and translation are included. Amounts below $0.0001 are billed $0.0001. Failed tasks are not charged.
Calling it from code? See the API docs.
Transcript
The transcript will appear here as text
40 言語の音声文字起こし
録音された音声をテキストにし、言語は自動判定。英語・中国語・日本語・韓国語からアラビア語・ヒンディー語・タイ語・ベトナム語まで対応
単語タイムスタンプと話者
timestamps をオンにすると、結果ファイルに単語ごとの開始・終了時刻と話者ラベルが入ります(最大 8 人)
英語との相互翻訳
target_language を指定すると文字起こしの代わりに翻訳が返ります。31 言語から英語へ、または英語からそれらの言語へ
1 ファイル最長 60 分
MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM、または音声トラック付きの MP4 / MOV 動画。最大 200 MB
成功した分だけ課金
失敗したタスクは課金されません。長さを読み取れないファイルは課金前に 400 で拒否されます
音声 1 分あたり $0.0025
秒単位で計算:10 分 $0.025、60 分 $0.15。タイムスタンプ、話者ラベル、翻訳に追加料金なし
Nemotron 3.5 Transcribe API: speech to text in 40 languages, with timestamps and speakers
Nemotron 3.5 Transcribe is NVIDIA's open-weight speech model, released on 28 October 2026: it takes a recorded audio or video file of up to 60 minutes and returns the transcript as text, in 40 languages with automatic language detection.
On APIMODELS the Nemotron 3.5 Transcribe API is a single model id, nemotron-3.5-transcribe, on POST /v1/audio/generations. A failed Nemotron 3.5 Transcribe task is not charged; a finished one costs $0.0025 per minute of audio, with word timestamps, speaker labels and translation included.
- Model ID
nemotron-3.5-transcribe- Input
- Audio or video, up to 60 min / 200 MB
- Languages
- 40, detected automatically
- Output
- Text + full result JSON
- Billing
- $0.0025 per minute of audio
What Nemotron 3.5 Transcribe does
A speech-to-text model for recorded files: the transcript, who said it, and when.
Speech to text in 40 languages
Language detected automatically
Nemotron 3.5 Transcribe transcribes English, Mandarin Chinese, Japanese, Korean, the major European languages, Arabic, Hindi, Thai, Vietnamese and more, 40 in all. You do not tell it which language the recording is in.
audio_urlWord-level timestamps
A start and end time for every word
With timestamps on, the full result file lists every word with its start and end time, which is what subtitles, search-in-audio and clip cutting are built from. Chinese comes back character by character.
timestampsSpeaker labels
Up to 8 speakers
The same switch adds a speaker label to every word and a list of who spoke when, so a meeting or an interview reads as a dialogue. Speakers with similar voices can be merged into one.
Translation to or from English
31 languages paired with English
Set a target language and Nemotron 3.5 Transcribe returns a translation instead of a transcript. It is dependable when English is on one side; it cannot be combined with timestamps.
target_languageAudio or video in
Up to 60 minutes, 200 MB
MP3, WAV, M4A, AAC, FLAC, OGG, Opus and WebM audio, or an MP4 or MOV video with an audio track, sent as a public link or a data URI. There is no need to extract the audio first.
Text plus a full result file
text, duration, transcript_url
The task result carries the full text and the audio length; transcript_url points to a JSON file with the words, speakers and segments. The file is kept for 30 days.
What Nemotron 3.5 Transcribe is a good fit for
Six jobs it suits, each with what you send, which switch you set and what comes back, plus the one it does not.
Meeting and interview minutes
Send the recording of a call, a meeting or an interview with timestamps: true. You get the full text, plus a result file in which every word carries a speaker label and diarization lists who spoke when, so the transcript can be laid out speaker by speaker.
timestampsSubtitles for video and podcasts
Send the MP4 or MOV itself, or the episode audio, with timestamps: true. Build SRT or VTT cues yourself from the start and end times in words. Start times can drift by about half a second, so check where each cue begins.
timestampswordsSupport calls and sales recordings
Send long, multi-speaker call recordings with timestamps: true. Speaker labels tell apart up to 8 people, so agent and customer turns can be separated for review, keyword checks and analysis. Voices that sound alike can be merged, so spot-check the labels.
Archives of lectures, courses and earnings calls
Send long recordings one file per request, up to 60 minutes and 200 MB each; cut anything longer into parts. The text makes every recording searchable, at $0.15 per hour of audio.
Multilingual content to or from English
Set target_language to en and a talk in Japanese, German or Spanish comes back as English text; or send English audio and pick one of the 31 other languages. The text field holds the translation. Timestamps are not available on translation requests.
target_languageTranscripts for search and LLM summaries
Send voice notes, recordings or media files without extra options and store the returned text. It can be indexed for search, or passed as plain text to one of the language models on apimodels.app, which the same API key and balance also cover.
Live captions and realtime voice assistants
Nemotron 3.5 Transcribe works offline on a whole recorded file and returns nothing until the task finishes, so it cannot caption a live stream or drive a voice assistant. For a live two-way voice conversation, use Grok Voice 3.0.
How the Nemotron 3.5 Transcribe API works
One required field, two optional switches, and limits that are checked before a task is created.
Transcribe
Send the file to POST /v1/audio/generations with model nemotron-3.5-transcribe. Add timestamps: true when you need word times and speakers.
audio_urlRequired. A publicly downloadable audio or video file, or a data URI; up to 60 minutes and 200 MB.timestampsOptional boolean, false by default. True adds word-level times and speaker labels to the full result file.callback_urlOptional. We POST the finished task here; leave it out and poll the GET endpoint.
Translate
Same endpoint and file field; add target_language and the text comes back in that language. Leave timestamps off.
audio_urlRequired, same rules as above.target_languageOne of 32 codes such as en, zh, ja, ko, fr, de, es. Dependable for another language into English, or English into one of these.
| Nemotron 3.5 Transcribe input | Accepted | If it is out of range |
|---|---|---|
| File format | MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM; MP4 or MOV with an audio track | Rejected or the task fails; nothing is charged |
| Length | Up to 60 minutes per request | 400 before a task is created |
| File size | Up to 200 MB | Rejected or the task fails; nothing is charged |
| Readable length | We must be able to measure the audio | 400 before a task is created, no charge |
| timestamps + target_language | One or the other | 400 before a task is created |
| Output | text, duration and transcript_url (full result JSON, kept 30 days) | — |
There is no source-language, prompt or output-format parameter. For SRT or VTT subtitles, request timestamps: true and build the cues from the word times in the result file.
Nemotron 3.5 Transcribe pricing: $0.0025 per minute of audio
One rate, counted on the audio length and prorated by the second.
$0.15
One hour of audio
60 minutes × $0.0025. Word timestamps, speaker labels and translation do not change the price, and failed Nemotron 3.5 Transcribe tasks are not charged.
| Audio length | Nemotron 3.5 Transcribe price |
|---|---|
| 47 s (our test clip) | about $0.002 |
| 1 minute | $0.0025 |
| 10 minutes | $0.025 |
| 30 minutes | $0.075 |
| 60 minutes (maximum per request) | $0.15 |
2-minute voice memo
$0.005
2 min × $0.0025
20-minute podcast segment with speakers
$0.05
20 min × $0.0025, timestamps included
40-minute lecture translated into English
$0.10
40 min × $0.0025, translation included
3-hour workshop, split into three files
$0.45
3 requests × 60 min × $0.0025
How the amount is counted: we read the audio length when the task is created, round it up to the whole second and multiply by the per-minute rate. Amounts are in units of $0.0001, so anything smaller is billed $0.0001 (audio of about 2 seconds or less). If the length cannot be read, the Nemotron 3.5 Transcribe request returns a 400 and nothing is charged.
What we measured with Nemotron 3.5 Transcribe
One run of our own. It is one example, not a promised speed.
Input
47 s of English, two speakers
A short two-person conversation, sent with timestamps: true.
Output
143 words with times and speakers
Every word came back with a start time, an end time and a speaker label, alongside the full text.
Time and price
About 4 seconds, about $0.002
Longer files take longer. Poll every few seconds, or pass callback_url and wait for the result.
Limits of Nemotron 3.5 Transcribe to plan for
What the model does not do, and where its output needs a second look.
Offline only, no realtime streaming
It transcribes a whole recorded file after you submit it. There are no partial results while it runs and no live captioning.
60 minutes and 200 MB per request
Longer recordings have to be split and submitted as separate requests.
Timestamps or translation, not both
Word times and speaker labels exist only for transcripts. A request with timestamps: true and target_language returns a 400.
Similar voices can be merged
Up to 8 speakers are told apart, but two people who sound alike can end up under one label.
Timestamps are approximate
Word end times are usually within tens of milliseconds. Start times can be off by about half a second, more noticeably in English.
Runs are not identical
Transcribing the same audio twice can change a few words. Keep the result you got rather than assuming a rerun will match it.
Chinese names and numbers
In Chinese output, foreign names are often transliterated and some numbers are written as Chinese characters.
Non-English language pairs
Translation is dependable to or from English. Going directly between two other languages is not guaranteed.
How to call the Nemotron 3.5 Transcribe API
From API key to transcript in four steps.
Get an API key
Sign up at apimodels.app and create a key in the console. One key and one USD balance cover Nemotron 3.5 Transcribe and every other model.
Host the recording
Put the audio or video file at a link anyone can download directly. Links behind a login, and temporary links that expire within minutes, make the task fail.
Send the request
POST /v1/audio/generations with model nemotron-3.5-transcribe and audio_url, plus timestamps or target_language if you need them. The response holds a taskId.
Read the transcript
Poll GET /v1/audio/generations?task_id= until the state is completed, or wait for the callback. JSON.parse resultJson once, read text, and fetch transcript_url for the word-level file within 30 days.
curl -X POST https://api.apimodels.app/v1/audio/generations \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "nemotron-3.5-transcribe",
"audio_url": "https://example.com/meeting.mp3",
"timestamps": true
}'
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "nemotron-3.5-transcribe" } }
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# data.resultJson (a JSON string): { "text": "...", "duration": 47.2, "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json" }Why run Nemotron 3.5 Transcribe on apimodels.app
What you can check for yourself, before the price.
Failed tasks are not charged
If a Nemotron 3.5 Transcribe task ends in failed, the charge is returned automatically and the reason is in failMsg.
Bad inputs stop before billing
A missing audio_url, an unreadable file length, a file over 60 minutes, or timestamps combined with translation all return a clear 400 before a task exists.
Async tasks with a callback
Create, then poll the task id or receive the result at callback_url. An hour-long file never holds a connection open.
One API key for every model
The same key and balance call Nemotron 3.5 Transcribe, LLMs, text-to-speech, image and video models, so transcribe-then-summarize needs one integration.
Your own copy of the result file
The full result JSON is stored at transcript_url for 30 days, so you can fetch the word-level data again without re-running the task.
Per-minute pricing, by the second
$0.0025 per minute of audio, measured from your file. Pay as you go, no subscription; the playground shows the estimate before you run it.
Nemotron 3.5 Transcribe vs Whisper-large-v3: word error rate
These are the numbers NVIDIA published in the Nemotron 3.5 Transcribe Technical Report (28 October 2026); they are not our own measurements. The metric is word error rate (WER), the share of words a model gets wrong, so lower is better. NVIDIA takes the baseline figures from the Hugging Face Open ASR Leaderboard.
In the report's English, long-form and multilingual tables, Nemotron 3.5 Transcribe has the lowest average word error rate among the open-weight models listed. It is not first overall: the same report lists commercial systems that score better on long-form and multilingual audio.
| Benchmark | What it covers | Nemotron 3.5 Transcribe | Whisper-large-v3 |
|---|---|---|---|
| Open ASR (average of 9 English test sets) | General English speech | 4.71% | 6.66% |
| Earnings21/22 and CORAAL (average) | Long-form audio | 10.98% | 13.92% |
| AMI | Meeting recordings | 7.81% | 13.63% |
| Average of 7 languages | Multilingual speech | 4.62% | 7.94% |
Source: NVIDIA Nemotron 3.5 Transcribe Technical Report, Table 6 (English), Table 7 (long-form) and Table 9 (multilingual). The 7 languages are German, French, Italian, Spanish, Portuguese, Dutch and Hindi.
For recordings with several speakers, Table 14 of the same report gives cpWER (a word error rate that also counts words assigned to the wrong speaker, lower is better) on whole meeting recordings, macro-averaged over AMI, CALLHOME, Mixer 6 and NOTSOFAR-1: Nemotron 3.5 Transcribe 15.80%, against 16.83% for DiCoW v3.3 + DiariZen-v2.
Sources for Nemotron 3.5 Transcribe
Model facts and benchmark numbers on this page come from NVIDIA's own publications. Prices, limits and the 47-second test are ours.
- NVIDIA Nemotron 3.5 Transcribe Technical Report (28 October 2026) ↗
Word error rates in Tables 6, 7 and 9, and the multi-speaker cpWER in Table 14.
- Nemotron 3.5 Transcribe model card on Hugging Face ↗
Open weights, supported languages and stated limitations.
- NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt (28 October 2026) ↗
NVIDIA's release article on Hugging Face.
- Hugging Face Open ASR Leaderboard ↗
Where the baseline figures in the comparison come from.
Nemotron 3.5 Transcribe について
Nemotron 3.5 Transcribe は NVIDIA の音声認識 API です。Nemotron 3.5 Transcribe は、NVIDIA が 2026 年 10 月 28 日に公開したオープンウェイトの音声モデルです。録音された音声を 40 言語でテキストに起こし、言語は自動で判定します。そのうち 31 言語は英語との相互翻訳に対応し、話者ラベルは最大 8 人まで区別できます。APIMODELS では音声タスクのエンドポイント上の 1 つのモデル ID nemotron-3.5-transcribe(nemotron-3-5-transcribe、nemotron-transcribe、nvidia/nemotron-3-5-transcribe も可)で、このプラットフォーム初の音声認識モデルです。返ってくるのは音声ファイルではなくテキストです。入力は audio_url で、公開ダウンロードできる MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM の音声、音声トラック付きの MP4・MOV 動画、または data URI を渡します。1 リクエストあたり最長 60 分、最大 200 MB です。timestamps を true にすると、完全な結果ファイルに単語ごとの開始時刻・終了時刻・話者ラベルが入ります(中国語は 1 文字ごと)。target_language を指定すると、文字起こしの代わりに翻訳が返ります。品質が保証されるのは片方が英語の場合だけで、timestamps との併用はできません(併用すると 400 が返ります)。呼び出しは非同期です。taskId を受け取り、GET /v1/audio/generations?task_id= をポーリングするか callback_url を渡し、resultJson から text、duration、transcript_url を読み取ります。結果ファイルの保存期間は 30 日です。自社テストでは、2 人が話す 47 秒の英語音声をタイムスタンプ付きで送ったところ、約 4 秒で返り、143 語それぞれに開始・終了時刻と話者ラベルが付いていました。向いている用途は、話者ごとに分けた会議・インタビューの議事録、単語の時刻から組み立てる動画やポッドキャストの字幕、サポートや営業の通話録音の品質チェックと分析、講義や決算説明会など長時間音声のアーカイブと検索、多言語コンテンツの英語テキスト化、検索用や言語モデルに渡すための書き起こし作成です。ライブ字幕やリアルタイムの音声アシスタントには向きません。あらかじめ知っておきたい制限:ファイル全体をまとめて処理するオフライン文字起こしで、リアルタイムのストリーミングには対応しません。声の似た話者は 1 人にまとめられることがあります。単語の終了時刻の誤差はふつう数十ミリ秒ですが、開始時刻は 0.5 秒ほどずれることがあり、英語でより目立ちます。同じ音声を複数回処理すると、一部の語が変わることがあります。中国語の結果では外国人名が音訳されることが多く、数字の一部が漢数字になる場合があります。また、リンクをダウンロードできない、ファイルから音声を取り出せないなどの理由で、すべてのタスクが成功するわけではありません。料金は音声 1 分あたり $0.0025(1 時間 $0.15)で、秒単位に切り上げた長さで按分します。10 分で $0.025、60 分のファイルで $0.15 です。タイムスタンプ、話者ラベル、翻訳に追加料金はありません。金額の最小単位は $0.0001 で、それに満たない場合は $0.0001 になります(約 2 秒以内の音声)。長さを読み取れないファイルは課金なしの 400 で拒否され、失敗したタスクは課金されません。 APIMODELS のプラットフォーム経由なら、統一 API と明朗な従量課金でこのモデルを呼び出せます。 現在の料金: per minute of audio (billed by the second): $0.0025, 10 minutes: $0.025, 30 minutes: $0.075, 60 minutes (maximum per request): $0.15。
関連モデル: Grok Voice 3.0 — when you need a live two-way voice conversation instead of transcribing a recorded file — realtime speech-to-speech over WebSocket, $0.104/min
関連モデル: AI Dubbing — when you want the recording re-voiced in another language rather than a text translation
関連モデル: Voice Isolator — when the recording is noisy — isolate the voice first, then transcribe the cleaned file
主な機能
- 40 言語の音声文字起こし -- 録音された音声をテキストにし、言語は自動判定。英語・中国語・日本語・韓国語からアラビア語・ヒンディー語・タイ語・ベトナム語まで対応
- 単語タイムスタンプと話者 -- timestamps をオンにすると、結果ファイルに単語ごとの開始・終了時刻と話者ラベルが入ります(最大 8 人)
- 英語との相互翻訳 -- target_language を指定すると文字起こしの代わりに翻訳が返ります。31 言語から英語へ、または英語からそれらの言語へ
- 1 ファイル最長 60 分 -- MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM、または音声トラック付きの MP4 / MOV 動画。最大 200 MB
- 成功した分だけ課金 -- 失敗したタスクは課金されません。長さを読み取れないファイルは課金前に 400 で拒否されます
- 音声 1 分あたり $0.0025 -- 秒単位で計算:10 分 $0.025、60 分 $0.15。タイムスタンプ、話者ラベル、翻訳に追加料金なし
ユースケース
ナレーションと吹き替え
動画、アニメーション、広告向けにプロ品質のナレーションを、豊富な声質から選んで生成します。
ポッドキャスト制作
複数話者の掛け合いにも対応し、ポッドキャストの音声を素早く仕上げます。
オーディオブック
テキストを自然で流れのよい読み上げに変換し、オーディオブックとして出せます。
多言語ダビング
多言語の吹き替えと翻訳で、コンテンツを世界の視聴者に届けます。
APIMODELS を選ぶ理由
- 統一 API -- キー 1 本ですべてのモデルへ。プラットフォームごとに登録する必要はありません
- 明朗な料金 -- 従量課金で、1 回あたりの単価は各モデルページに掲載。個人開発者とスタートアップに向いています
- すぐ使える -- 登録した直後から利用でき、支払いはカード・PayPal・Alipay・USDT に対応
- 充実したドキュメント -- cURL / Python / Node.js のサンプル付きで API を詳しく解説
よくある質問
APIMODELS と NVIDIA 公式 API の違いは？
APIMODELS は同じ Nemotron 3.5 Transcribe を集約プラットフォーム経由で提供します。統一された API インターフェースなので、プロバイダごとにアカウントを作る必要はありません。キー 1 本ですべてのモデルに届きます。
Nemotron 3.5 Transcribe API とは?
Nemotron 3.5 Transcribe は NVIDIA が 2026 年 10 月 28 日に公開したオープンウェイトの音声モデルで、Nemotron 3.5 Transcribe API は録音済みの音声・動画ファイルをテキストに変換します。40 言語を文字起こしして言語を自動判定し、単語単位のタイムスタンプと話者ラベル(最大 8 人)を付けられ、英語とほか 31 言語との間で翻訳もできます。apimodels.app では POST /v1/audio/generations 上の 1 つのモデル ID nemotron-3.5-transcribe で、料金は音声 1 分あたり $0.0025。失敗したタスクは課金されません。
Nemotron 3.5 Transcribe は日本語に対応していますか?対応言語は?
はい、日本語に対応しています。文字起こしは次の 40 言語で、言語は自動判定されます:英語、中国語(標準語)、日本語、韓国語、フランス語、ドイツ語、スペイン語、ポルトガル語、イタリア語、ロシア語、オランダ語、ポーランド語、チェコ語、スロバキア語、ヒンディー語、ブルガリア語、クロアチア語、デンマーク語、エストニア語、フィンランド語、ハンガリー語、ラトビア語、リトアニア語、ルーマニア語、スロベニア語、スウェーデン語、タイ語、トルコ語、ウクライナ語、アラビア語、ベンガル語、ギリシャ語、ヘブライ語、インドネシア語、マルタ語、マラーティー語、タガログ語、タミル語、テルグ語、ベトナム語。このうち 31 言語は英語との相互翻訳にも対応します。元の言語を指定するパラメータは不要です。
Nemotron 3.5 Transcribe が受け付ける音声・動画ファイルは?
音声は MP3、WAV、M4A、AAC、FLAC、OGG、Opus、WebM、動画は音声トラック付きの MP4 と MOV です。audio_url に、誰でも直接ダウンロードできるリンクか data URI を渡します。1 リクエストあたり最長 60 分、最大 200 MB で、それより長い録音は分割して送ってください。長さを読み取れないファイルは、課金前に 400 で拒否されます。
単語単位のタイムスタンプと話者ラベルを取得するには?
timestamps: true を送ります。タスクの結果には引き続き全文の text が入り、transcript_url(resultUrls[0] と同じ)の結果ファイルに words({word, start, end, speaker} の配列)、diarization のセグメント、text_with_speakers が加わります。話者は最大 8 人まで区別され、中国語は 1 文字ごとに返ります。自社テストでは、2 人が話す 47 秒の英語音声で 143 語が返り、それぞれに開始・終了時刻と話者ラベルが付いていました。タイムスタンプと話者ラベルに追加料金はありません。
Nemotron 3.5 Transcribe で音声を翻訳できますか?
できます。target_language に対応する 32 個の言語コード(en、zh、ja、ko、fr、de、es など)のいずれかを指定すると、文字起こしの代わりに翻訳文が返ります。品質が保証されるのは片方が英語の場合だけです(ほかの言語から英語へ、または英語からそれらの言語へ)。英語以外の 2 言語間の直接翻訳は保証されません。timestamps: true とは併用できず、併用すると 400 が返ります。翻訳は分単価に含まれます。
Nemotron 3.5 Transcribe はリアルタイム(ストリーミング)文字起こしに対応していますか?
対応していません。録音済みのファイル全体をオフラインで文字起こしする方式で、タスクを作成してからポーリングするか、コールバックを待ちます。自社テストではタイムスタンプ付きの 47 秒の音声が約 4 秒で完了しましたが、これは 1 回の計測であり、遅延を保証するものではありません。処理中に途中結果が流れてくることもありません。双方向のリアルタイム音声対話には、apimodels.app の Grok Voice 3.0 を使ってください。
Nemotron 3.5 Transcribe の精度と既知の制限は?
はっきり録音された音声向けのモデルで、いくつかの制限を見込んでおく必要があります。声の似た話者は 1 人にまとめられることがあります。単語の終了時刻の誤差はふつう数十ミリ秒ですが、開始時刻は 0.5 秒ほどずれることがあり、英語でより目立ちます。同じ音声を複数回処理すると、一部の語が変わることがあります。中国語の結果では外国人名が音訳されることが多く、数字の一部が漢数字になる場合があります。結果に truncated: true がある場合は出力が上限に達しており(多くは繰り返しが原因)、破棄するか人の目で確認してください。silent: true は、ほとんど音声が検出されなかったことを示します。
Nemotron 3.5 Transcribe と Whisper large-v3 の精度の違いは?
NVIDIA が 2026 年 10 月 28 日の技術レポートで公表した単語誤り率(WER、低いほど良い)では、Nemotron 3.5 Transcribe は 4 つの比較すべてで Whisper-large-v3 を下回っています。Open ASR の英語 9 テストセット平均で 4.71% 対 6.66%、長時間音声(Earnings21/22 と CORAAL の平均)で 10.98% 対 13.92%、AMI の会議録音で 7.81% 対 13.63%、7 言語平均(ドイツ語・フランス語・イタリア語・スペイン語・ポルトガル語・オランダ語・ヒンディー語)で 4.62% 対 7.94% です。これらは NVIDIA が公表した数値で、比較対象の成績は Hugging Face Open ASR Leaderboard から取られており、apimodels.app が測定したものではありません。この 3 つの表では、オープンウェイトのモデルの中で平均誤り率が最も低くなっています。同じレポートには、長時間音声や多言語でより良い成績の商用システムも掲載されています。
NVIDIA Nemotron 3.5 Transcribe 技術レポート(表 6・7・9) ↗Nemotron 3.5 Transcribe API の料金は?
音声 1 分あたり $0.0025、つまり 1 時間 $0.15 で、秒単位に切り上げた長さで按分します。47 秒の音声なら約 $0.002、10 分で $0.025、30 分で $0.075、60 分のファイルで $0.15 です。単語タイムスタンプ、話者ラベル、翻訳は料金に含まれます。金額の最小単位は $0.0001 で、それに満たない場合は $0.0001 になります(約 2 秒以内の音声)。失敗したタスクや、長さを読み取れないファイルは課金されません。
Nemotron 3.5 Transcribe API の呼び出し方と結果の取得方法は?
apimodels.app でアカウントを作成し、API キーを発行します。キー 1 つと USD 残高 1 つですべてのモデルを使えます。次のように送信します:curl -X POST https://api.apimodels.app/v1/audio/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "nemotron-3.5-transcribe", "audio_url": "https://example.com/meeting.mp3", "timestamps": true}'。レスポンスに taskId が入っています。state が completed になるまで GET /v1/audio/generations?task_id= をポーリングし、resultJson を 1 回 JSON.parse して text、duration、transcript_url を読み取ります。結果ファイルの保存期間は 30 日です。
Nemotron 3.5 Transcribe は無料で試せますか?
条件を満たす新規アカウントには $0.10 のトライアルクレジットが付き、1 分 $0.0025 なら約 40 分の音声に相当します。その後はサブスクリプションなしの従量課金で、チャージは $10 からです。このページのプレイグラウンドではファイルをアップロードするかリンクを貼り付けると、実行前に音声の長さから料金の目安が表示され、文字起こし結果がコピーできるテキストで返ります。
Nemotron 3.5 Transcribe で何ができますか？
Nemotron 3.5 Transcribe は次に対応しています: Speech to Text、40 Languages, Auto-Detected、Word-Level Timestamps、Speaker Labels (up to 8)、Translation to/from English、Audio or Video, up to 60 min、$0.0025 per Minute。パラメータの全一覧と呼び出し例は APIMODELS のドキュメントをご覧ください。
Nemotron 3.5 Transcribe の API は日本からでも使えますか？
使えます。APIMODELS は国による利用制限を設けておらず、サイトも API もどこからでも利用できます。Nemotron 3.5 Transcribe は APIMODELS のキー 1 本で呼び出せるので、モデル提供元のアカウントを別に作る必要はありません。
日本円で払えますか？支払い方法は？
残高と料金は米ドル建てです。支払いはクレジットカード(Visa、Mastercard など。Stripe 経由)、PayPal、Alipay、USDT(TRON の TRC20、BNB Smart Chain の BEP20)に対応しています。円建てのカードや PayPal で払う場合、円への換算はカード会社や PayPal 側で行われます。カード、PayPal、Alipay は支払い後すぐ残高に反映され、USDT はブロックチェーン上で送金が確認されてから反映されます。自動チャージも設定でき、$50 のチャージで $1、$100 で $3 のボーナスが付きます。月額料金はなく、使った分だけの従量課金です。