生成AIニュース読了 5 分

わずか960万パラメータ、50倍以上大きいモデルより高性能――NVIDIAの音声強調AI「RE-USE」公開

Shiritomo編集部 @shiritomoAI_jp 2026年11月2日更新

パラメータ数はわずか960万。
NVIDIAが10月下旬に公開した音声強化AI「NemotronLabs RE-USE」は、自分より26倍大きい2億5,000万パラメータのモデルや、52倍大きい5億パラメータのモデルよりも、雑音を取り除いた音声のきれいさで上回る結果を出しました。
録音の雑音・反響・音割れに悩んでいる人にとって、無料で試せる選択肢が増えたことになります。

先に結論をまとめると：
– NVIDIAが音声強化AI「NemotronLabs RE-USE」を公開、わずか960万パラメータで動く
– 雑音・反響・音割れなど幅広い劣化を1つのモデルで修復し、250M・500M規模の大型モデルより高精度
– 商用利用も可能なオープンソースライセンスで、Hugging Faceから無料で入手できる

何が起きたのか

日本時間10月31日朝、NVIDIAの公式Xアカウント（@NVIDIAAI）が、新しい音声強化AI「NemotronLabs RE-USE」をデモ動画付きで発表しました。

投稿を訳すと、「音声をオンにして、その違いを聞いてください。
NVIDIAの研究者によるオープンな多言語モデル『NemotronLabs RE-USE』は、背景の雑音やエコー、その他の音の劣化を取り除き、声をよりはっきりさせます。
パラメータ数はわずか960万。
デモの試用とモデルのダウンロードは……」という内容です。

Sound on 🔊 Listen to the difference.

Our new open multilingual NemotronLabs RE-USE model from NVIDIA researchers cleans up background noise, echo and other audio distortions to make speech clearer. All with just 9.6M parameters.

Try the demo and download the model on… pic.twitter.com/6WI8oj7u7t
— NVIDIA AI (@NVIDIAAI) 2026年10月30日

モデル自体はHugging Face上で10月22日ごろから公開されていましたが、この投稿をきっかけに知られるようになったようです。
960万パラメータという数字だけ見ると小規模に思えますが、実際の処理能力を調べると意外な結果が見えてきました。

調べて分かったこと

どんな音声の劣化に対応するのか？

NemotronLabs RE-USEは、畳み込み（convolutional：画像や音声のパターンを捉える処理方式）型のエンコーダー・デコーダーと、Mamba（マンバ：長い音声データを効率よく扱う仕組み）を使った30層のネットワークで構成されています。
対応する劣化は幅広く、雑音の混入、反響、音割れ、帯域の制限、通話・通信の圧縮による劣化、パケットロス、マイクの性能不足などをまとめて1つのモデルで修復できるとされています。
複数人の声が重なった場合も、主な話者の声を残して他の声を抑える設計です。
サンプリングレートは8kHzから48kHzまで対応し、レートごとに別のモデルを用意する必要がありません。
想定される使い方としては、動画配信や録音の音質改善だけでなく、研究者が既存の音声データセットの品質を上げたり、音声合成（TTS）や音声対応AIの学習データを作る際の前処理として使うことも挙げられています。

なぜ小さいのに性能が高いのか？

公開された比較データによると、RE-USEは9.6Mパラメータでありながら、250Mパラメータのモデル「Sidon」や500Mパラメータのモデル「UniPASE」よりも、音質評価の指標（PESQ）や明瞭度の指標（STOI）、話者の声の特徴がどれだけ保たれているかを示す指標、文字起こしの精度（ASR：自動音声認識の正答率）で上回る結果を記録しました。
44.1kHzの音声に限ると、文字起こしの精度は91.54%に達し、比較対象の「Resemble Enhance」の47.22%を大きく上回っています。
モデルの大きさよりも、学習データの質と設計のほうが結果を左右したとみられます。

学習には英語・ドイツ語・スペイン語・フランス語・中国語の約2,500時間分の音声データと、人工的に加えた雑音データが使われました。
ライセンスは「OpenMDW-1.1」で、商用利用も可能です。
Hugging Faceから無料でダウンロードできますが、処理にはNVIDIA製GPU（Ampere世代以降）とCUDA環境が必要で、今のところスマートフォン単体だけで動かせる仕組みにはなっていません。

Shiritomo編集部の考察

Shiritomo編集部の視点では、今回の数字が面白いのは「モデルを大きくすれば賢くなる」という前提に対する反例になっている点です。
コンテンツ制作や音声配信に関わる人にとっては、収録環境を整える手間よりも、後処理に使うAIモデル選びのほうが仕上がりを左右する場面が増えていくのかもしれません。
無料で商用利用もできる以上、配信・動画編集を仕事にしている人は、既存のノイズ除去ツールと聞き比べてみる価値がありそうです。
ただし一般利用には専用GPUが要るため、個人が気軽に試せる形で広まるかどうかはまた別の話になります。