NVIDIAの音声強化AI「NemotronLabs RE-USE」とは？雑音・反響をまとめて消す小型モデルの性能・試し方・注意点

NVIDIAが、雑音や反響でこもった声をクリアに整える音声強化AI「NVIDIA NemotronLabs RE-USE（リユース）」を公開しました。Hugging Face（AIモデルの公開サイト）のモデルページに記載された公開日は2026年10月22日で、10月31日（日本時間）にはNVIDIAのAI公式Xアカウントがデモ動画付きで紹介しています。

背景の雑音、部屋の反響、音割れ、電話やWeb会議特有のこもった音など、さまざまな「音の傷み」を1つのモデルでまとめて直せるのが特徴です。しかもモデルの大きさはわずか960万パラメーター（9.6M）と非常に小さく、商用利用もできるライセンスで無料公開されています。

この記事では、エンジニアでない方にも分かるように、音声強化とは何か、RE-USEで何ができるのか、公式の性能データ、試し方、必要な機材、ライセンス上の注意点を順番に整理します。

公式Xで公開された紹介動画

NVIDIAのAI公式Xアカウント（@NVIDIAAI）は「音をオンにして、違いを聞いてみてください」という言葉とともに、加工前と加工後の音声を聞き比べられる約25秒の動画を投稿しました。文章だけでは伝わりにくい「どれくらい声がクリアになるのか」を耳で確かめられます。

NemotronLabs RE-USEとは？

RE-USEは、NVIDIAの研究者が開発した「ユニバーサル音声強化」と呼ばれるタイプのAIです。ユニバーサルとは「万能型」という意味で、雑音だけ、反響だけといった特定の問題に絞らず、録音で起こりがちな多くのトラブルを1つのモデルで直すことを目指しています。

話している内容、話し手の声らしさ、感情やなまりといった「声の個性」はそのまま残し、傷んだ部分だけを取り除くように作られているのがポイントです。

「音声強化」とは？ 身近なたとえで解説

音声強化をひとことで言えば、「声のクリーニング」です。たとえば、色あせて傷が入った古い写真を、写っている人の顔は変えずに汚れや傷だけを取り除いて、きれいに修復する作業を思い浮かべてください。音声強化AIは、それを音声に対して行います。

従来のノイズ除去は、「エアコンの音だけを消す」「反響だけを抑える」というように、汚れの種類ごとに専用の洗剤を使い分けるイメージでした。RE-USEは、どんな汚れにも効く万能クリーナーを目指したもので、録音の状態が分からない音声でも、1回の処理でまとめて整えられるのが強みです。

RE-USEで直せる「音の傷み」

モデルページでは、次のような音の劣化に強いと説明されています。

• 背景の雑音（エアコン、車の走行音、街中のざわめきなど）
• 部屋の反響（会議室や体育館のようなエコー）
• 音割れ（声が大きすぎて録音の上限を超えた状態）
• 帯域の制限（電話のような、こもった細い音）
• 圧縮による劣化（Web会議や動画配信で音質が落ちた状態）
• 途切れ（通信が不安定で音が一瞬抜ける状態）
• 性能の低いマイクで録った音

また、複数の人が同時に話している音声では、メインの話し手を残してほかの人の声を抑えるように学習されています。会議のように全員の声を残したい場面では、この点に注意が必要です。

なぜ注目されているのか

一番の驚きは、その小ささです。比較相手として公式に挙げられている他のオープンな音声強化モデルは2億5,000万〜5億パラメーターですが、RE-USEは960万パラメーターしかありません。大型トラックと軽自動車ほどの差がありながら、多くの評価項目で上回っています。

モデルが小さいと、処理に必要なコンピューターの力が少なく済み、大量の音声ファイルを短時間で処理しやすくなります。公開されているファイル一式もおよそ40MBと、スマートフォンの写真数枚分ほどです。

さらに、論文のタイトル「音声強化の学習目標・構造・データ品質を見直す」が示すとおり、モデルを大きくするのではなく、学ばせ方とデータの質を工夫することで性能を引き出している点も、研究者の間で話題になっています。

ビジネスでの使いどころ

オンライン会議の録画では、空調の音や在宅勤務中の生活音、会議室の反響で聞き取りにくくなることがよくあります。RE-USEで事前に整えておけば、後から聞き返すときのストレスを減らせます。

コールセンターや営業電話の録音は、電話特有のこもった音になりがちです。RE-USEは8kHzという電話品質の音声にも対応しているため、通話録音の聞き直しや品質チェックの効率化に役立つ可能性があります。

動画制作やポッドキャストでも、屋外インタビューや簡易マイクで録った音声を整える用途が考えられます。モデルページでも、コンテンツ制作者が録音の音質を改善する使い方が例として挙げられています。

特に注目したいのが文字起こしとの組み合わせです。公式の評価では、音声認識AIで文字起こししたときの文字の正確さが、加工前の81.29%からRE-USE処理後は89.17%に上がっています。当サイトで紹介したNVIDIA Nemotron 3.5 Transcribeの使い方——日本語の文字起こし・翻訳・話者分離を1つで、試し方と必要なGPUのような文字起こしAIの前処理として使えば、議事録づくりの精度向上が期待できます。ただし、日本語音声で同じ効果が出るかはNVIDIAから公表されていないため、自社の音声で試してから判断するのがおすすめです。

公式の性能データ

NVIDIAは、音声強化の国際的な評価用データ「URGENT 2025」を使い、他のオープンな音声強化モデルと比べた結果を公開しています。どの項目も数値が高いほど良い結果です。「加工前」は何も処理していない音声の数値です。

★と色付きは各テストの1位です（数値はNVIDIA発表）。

9項目のうち6項目でRE-USEが1位（うち発音の正確さはUniPASEと同点）でした。一方で、AIが「聞こえの良さ」を自動採点するDNSMOSとUTMOSでは約26倍大きいSidonが、話の中身の保たれ方（SBERT）では約52倍大きいUniPASEがわずかに上回っています。RE-USEは「聞こえの華やかさ」よりも、「話の中身や声の個性を崩さずに正確に直す」ことが得意なモデルだといえます。

また、高音質（44.1kHzと48kHz）の音声だけで比べたテストでは、元の音声への近さを示すPESQで、Resemble Enhanceの1.33に対してRE-USEは2.47、ClearVoiceの2.09に対してRE-USEは2.59と、こちらも上回る結果が公表されています。なお、これらはいずれもNVIDIA自身による評価で、日本語音声での評価結果は未公表です。

RE-USEの試し方

いちばん手軽なのは、Hugging Face上で公開されている公式デモページ「NVIDIA-NemotronLabs-RE-USE（Hugging Face Spaces）」を使う方法です。ブラウザで開き、雑音の入った音声ファイル、または動画ファイル（mp4やmov）をアップロードするだけで、加工後の音声を聞くことができます。

デモ画面では、加工前と加工後の音声をその場で聞き比べられるほか、音の成分を色で表した図（スペクトログラム）も表示されます。まずは手元にある会議録音やスマホで撮った動画で試してみると、効果をイメージしやすいでしょう。

なお、デモページにアップロードした音声はHugging Faceのサーバーで処理されます。社外秘の会議や個人情報を含む通話録音は、デモでは使わないようにしましょう。

自社のパソコンやサーバーで本格的に使いたい場合は、Hugging Faceのモデルページからモデル一式をダウンロードできます。音声ファイルを決められたフォルダーに入れて処理用のプログラムを実行すると、きれいになった音声が別のフォルダーに保存される仕組みです。30秒を超える長い音声は、細かく区切って処理する専用の手順も用意されています。こちらはプログラムの実行環境を整える作業が必要なため、社内のエンジニアや詳しい方に依頼するのが現実的です。

必要なパソコン・GPUの目安

モデルページでは、動作環境としてLinux（サーバーでよく使われるOS）と、NVIDIAの「Ampere（アンペア）」世代のGPU（画像処理用の高性能チップ）が挙げられており、推奨例としてデータセンター向けのA100が記載されています。

モデル自体はとても小さいものの、内部で「Mamba」という仕組みを使っているため、NVIDIA製GPUを前提とした環境づくりが必要です。WindowsやMacのノートパソコンで、そのまま気軽に動かせる形での公式提供は未発表です。一般の方は、まずブラウザで使える公式デモで試すのが安心です。

ライセンスと使うときの注意点

商用利用できるのは「NVIDIA-NemotronLabs-RE-USE」と、笑い声を残しやすい「NVIDIA-NemotronLabs-RE-USE-laughter」です。ライセンスはOpenMDW-1.1で、モデルページには「商用利用の準備ができている」と明記されています。

一方、名前がよく似た「nvidia/RE-USE」は、NVIDIAの非商用ライセンスで公開された研究・開発専用のモデルです。仕事で使う場合は、ダウンロードするモデルの名前を必ず確認しましょう。

ほかにも、次の点に注意が必要です。

• 入力はモノラル音声のみ。ステレオ音声は事前にモノラルへ変換が必要
• 学習データに日本語は含まれておらず、日本語での公式な評価は未公表
• 複数人が同時に話す場面では、メインの話し手以外の声が抑えられる
• 学習に使われた音声は10秒未満の短いものが中心。長い音声は区切って処理する
• NVIDIAは、実際の業務に組み込む前に、用途に合ったデータで十分にテストするよう求めている
• 録音の加工は内容の印象を変える場合もあるため、証拠や記録として残す音声は元のファイルも保管しておく

日本語の解説動画（非公式）

NVIDIAの公式YouTubeチャンネルでは、2026年11月2日に確認した範囲でRE-USEの紹介動画は見つかりませんでした。日本語の動画では、YouTubeチャンネル「コンサルオジ」が、RE-USEの性能の表の読み方をテーマにした解説動画を公開しています。NVIDIA公式の動画ではない点にご注意ください。

まとめ

NVIDIA NemotronLabs RE-USEは、雑音・反響・音割れ・こもった音などをまとめて直す、万能型の音声クリーニングAIです。960万パラメーターという小ささで、約26〜52倍大きなモデルを多くの評価項目で上回り、商用利用できるライセンスで無料公開されています。

会議録画の聞き直し、通話録音のチェック、動画やポッドキャストの音声改善、文字起こし精度の向上など、身近な業務での活用が期待できます。一方で、日本語での公式評価は未公表で、本格的に動かすにはNVIDIA製GPUの環境が必要です。まずは公式デモで、社外秘ではない手元の音声を試してみるところから始めてみてはいかがでしょうか。

参考リンク

• Hugging Face：nvidia/NVIDIA-NemotronLabs-RE-USE（モデルカード）
• Hugging Face Spaces：NVIDIA-NemotronLabs-RE-USE（公式デモ）
• Hugging Face：RE-USE コレクション
• Hugging Face：nvidia/RE-USE（研究・開発用モデル）
• X（NVIDIA AI）：NemotronLabs RE-USEの紹介投稿
• arXiv：Rethinking Training Targets, Architectures and Data Quality for Universal Speech Enhancement
• arXiv：One Model, Many Latencies: Universal Speech Enhancement for Diverse Real-Time Applications
• OpenMDW：OpenMDW License Agreement, version 1.1
• YouTube（コンサルオジ・非公式）：NISQA 4.33・PESQ 2.57は、自分の会議録音やポッドキャスト音声に使ってよい根拠になるか？ NVIDIAのRE-USEの表を読む
• AI共創広場：NVIDIA Nemotron 3.5 Transcribeの使い方——日本語の文字起こし・翻訳・話者分離を1つで、試し方と必要なGPU