Parakeet・Whisper・Nemotron比較：2026年の最良ローカル音声認識

英語と主要な欧州言語では、2026年に最も優れたローカル音声認識モデルはNVIDIA Parakeet TDT 0.6B v3です。実測精度でWhisper large-v3を上回り、サイズは4分の1、一般的なCPUでも大幅に高速です。話しながら文字をリアルタイム表示したい場合、NVIDIAの新しいNemotronストリーミングモデルは、その用途のために設計された初のローカルモデルです。一方、NVIDIAモデルが対応しない多くの言語では、99言語を扱えるOpenAI Whisperが今も適しています。

2026年の驚きは、Whisperが3年間守ってきたオープンモデルの精度首位を明け渡したことです。ただし「どれが最良か」は本当の三つ巴になりました。得意分野が異なるからです。Parakeetは消費電力当たりの精度、Nemotronは遅延、Whisperは言語の広さを最適化しています。この記事では各モデルカードと公開Leaderboardの数値を使い、印象論にも差の誇張にも頼らず比較します。

最終更新：2026年7月18日。私たちは OpenWhisprという、3つのモデル群をすべて搭載したオープンソース音声入力アプリを開発し、本番環境で各モデルを評価・サポートしています。これが私たちの立場でもあります。特定のモデルを販売しているわけではなく、以下の率直なトレードオフは利用者にも同じように説明しています。

• Parakeet TDT 0.6B v3はOpen ASR Leaderboardの8ベンチマークで平均WER 6.34%、処理速度3,332×リアルタイムを記録しています。 600Mパラメータ、25言語、CC-BY-4.0ライセンスです。 Parakeet TDT v3モデルカード · Open ASR Leaderboard
• Whisper large-v3は同じLeaderboardで約7.4%、対応言語は99です 1.55BパラメータでMITライセンスです。 OpenAI Whisperリポジトリ · Whisper large-v3モデルカード
• Nemotron Speech Streaming EN 0.6Bはストリーミング時の平均WERが6.93%です （1.12秒のチャンク）。LibriSpeech test-cleanでは2.32%を達成し、530,000時間の音声で学習されています。 Nemotron Streaming ENモデルカード
• Nemotron 3.5 ASRは単一の600Mストリーミングモデルで40ロケールをカバーします 自動言語検出を備え、OpenMDWライセンスで2026年6月4日に公開されました。 Nemotron 3.5 ASRモデルカード
• 以下で述べるディスク容量とアプリ内動作はすべて検証できます OpenWhisprのオープンソースモデルレジストリで確認できます。 GitHubのOpenWhispr · OpenWhisprモデルページ

いずれも無料のオープンウェイトモデルで、ダウンロードしてオフライン実行できます。アーキテクチャの違いが、実用上のほぼすべての差を生みます。

音声モデルの評価には 単語誤り率（WER）、つまり誤認識した単語の割合を使います。低いほど優秀です。標準的な指標はHugging Face Open ASR Leaderboardで、会議、決算説明会、TED Talks、オーディオブックなど8種類の英語データセットのWERを平均するため、簡単な単一データセットだけで好成績を装えません。

グラフは冷静に読む必要があります。どのモデルも本番運用に耐え、全体の差は約1.5ポイントです。きれいな音声の日常的な入力では6.3%と7.4%は似ており、差が出るのはアクセント、雑音、専門用語など難しい音声です。NVIDIAの数値で重要なのは達成コストです。ParakeetはWhisperの1.55Bに対して600Mパラメータでこの精度を実現し、Nemotronは未来の音声を一切見ずにストリーミングしながら6.93%を記録します。

Leaderboardのハードウェアでは、Parakeet TDT v3は3,332×リアルタイム、つまり1時間の音声を約1秒で文字起こしします。Whisper large-v3はその10分の1にも届きません。理由はアーキテクチャです。Whisperは1トークンずつ、前の処理を待って書きますが、トランスデューサーは音声を一度読み、進行に合わせて文字を出します。単語ごとのループや往復処理がありません。

ノートPCでは絶対値は下がっても比率は保たれます。Whisper largeが数秒かける段落も、ParakeetならGPUなしのCPUでほぼ瞬時に表示されます。独立ベンチマークではNVIDIAトランスデューサーが同等品質のWhisperより約 音声1時間当たり8–10×少ない電力 で動くとも報告されており、バッテリーで一日中入力する場合に効きます。

Whisper側の答えはturbo（1.6GB）です。large-v3を蒸留し、多少の精度と引き換えにWhisper-largeの約8×の速度を得ています。音声入力には適したWhisperですが、差を縮めるだけです。サイズ別の詳細は Whisperモデルサイズガイドをご覧ください。

目安は単純です。英語や主要な欧州言語なら3つとも使えるため、速度で選べます。日本語、韓国語、ベトナム語、アラビア語、ヒンディー語はNemotron 3.5がストリーミング対応し、ローカルモデルとして画期的です。中国語、タイ語、インドネシア語、スワヒリ語、頻繁な言語切り替えには、今もWhisperが唯一の本格的な選択肢で、当面は変わらないでしょう。

ストリーミングでは、Nemotronは少し優れるだけでなく、他の2つが構造上できないことを実現します。 Whisperは音声を30秒単位で処理し、見た範囲すべてを再エンコードします。そのため「ライブ」Whisperは、重なった音声に同じバッチモデルを繰り返し実行しているだけで、高コスト、高遅延、継ぎ目も不安定です。Nemotronのキャッシュ対応設計はストリーミング用に学習され、最新チャンクだけを処理し、内部状態を引き継ぎ、80ミリ秒から1.12秒の設定可能な遅延で途中テキストを出します。

大規模運用では効率差が顕著で、NVIDIAは同じGPU上の前世代モデルより 同時ストリーム数が17×多い と報告しています。ノートPCで実感する利点はさらに単純で、自分のCPUで動くモデルから、話すそばから文字が現れます。デスクトップアプリへの実装工程は ストリーミングASRの技術解説で詳しく紹介しています。

リアルタイム表示が不要で、話し終えてから最終結果だけ欲しいなら、ストリーミングに利点はなくParakeetのバッチモデルが適します。ストリーミングはライブ字幕、音声エージェント、発話と同時に表示する入力プレビューのための機能です。

どのモデルもGPUは必須ではありません。NVIDIAモデルはINT8量子化ONNXファイル（631–680MB）で、PythonもPyTorchも不要なネイティブバイナリsherpa-onnxを通じ、Apple Siliconでもx86でも最近のCPUなら快適に動きます。Whisperはwhisper.cppで幅広く動作し、smallとturboはCPUでも実用的ですが、large-v3（3GB、~10GB RAM）はアクセラレーションの効果が大きくなります。

GPUがあるならWhisperに使うのが有効です。Apple SiliconにはMetalが内蔵され、OpenWhisprはCUDA（NVIDIA）とVulkan（AMD、Intel）のランタイムをワンクリックで提供し、GPU実行に失敗すれば自動でCPUへ戻ります。NVIDIAトランスデューサーはCPUだけで十分速く、音声入力ではGPUを使う意味がほとんどありません。

プライバシーがローカル処理を選ぶ理由なら、3つは同等です。音声は端末上で処理され、アップロードされません。この違いは ローカル文字起こしとクラウド文字起こしの比較で詳しく説明しています。