Whisperのモデルサイズを解説：Tiny vs Base vs Small vs Medium vs Large

OpenAIのWhisperは、5つのサイズカテゴリにまたがる9種類のモデルバリアントで提供されています。 tiny（39Mパラメータ）、base（74M）、small（244M）、medium（769M）、large（1.55B）です。各サイズには多言語版と英語専用版があります（ただしlargeとturboは多言語版のみ）。さらにturboモデル（809M）もあり、これはlarge-v3を蒸留したバージョンで、精度はほぼ同等のまま劇的に高速です。モデルが大きいほど精度は高くなりますが、速度は遅くなり、より多くのメモリを必要とします。

ほとんどのローカル文字起こしアプリで使われるwhisper.cppの量子化（GGML）形式では、モデルファイルのサイズは75 MB（tiny）から2.9 GB（large）までの範囲です。実行時のメモリ使用量は、tinyで約273 MB、largeで3.9 GBほどになります。適切なモデルは、お使いのハードウェア、言語、そして必要とする精度の度合いによって変わります。

最終更新：2026年2月17日。パラメータ数、メモリ、ベンチマークに関する記載は、少なくとも2つの一次情報源と照合済みです。

• 公式のモデルファミリーとパラメータ数： tiny／base／small／medium／largeおよびturboは、OpenAIによって文書化されています。 OpenAI Whisper README · Whisperモデルカード
• GGML／GGUFのディスク容量と実行時メモリの背景： ローカル展開時のフットプリントは、whisper.cppの変換・実行ドキュメントに基づいています。 whisper.cpp · whisper.cpp メモリに関する注記
• ベンチマークの注意点： WERはデータセットや言語によって大きく変動します。LibriSpeechの数値は普遍的な品質スコアではありません。 Whisper論文 · large-v2モデルカード
• turboモデルの位置づけ： turboは速度重視のバリアントであり、精度とのトレードオフがリリースノートやモデルカードに記載されています。 turboモデルカード · turboリリースの議論
• OpenWhisprでの利用シーン： OpenWhisprは複数のWhisperサイズを利用できるようにしており、ユーザーがデバイス上で速度と精度を調整できます。 OpenWhispr · whisper.cpp バックエンド

tinyモデルは、最も小さく最も高速なWhisperバリアントです。わずか3,900万パラメータ、GGMLファイルサイズ75 MBで、Raspberry Pi、古いノートパソコン、ローエンドのモバイルデバイスを含むほぼあらゆるハードウェアで快適に動作します。largeモデルに対しておよそ10倍のリアルタイム速度で文字起こしできるため、完璧な精度よりもレイテンシが重要な場面で最適な選択肢です。

tiny.enバリアント（英語専用）では、LibriSpeechのtest-cleanにおけるWERは約5.6%で、test-other（ノイズ／アクセントのある音声）では約14.9%まで上昇します。多言語版tinyは英語ではわずかに性能が劣りますが、Whisperの全99言語に対応します。

tinyは、簡単なメモ、重要度の低いディクテーション、ライブ字幕のプロトタイプ、計算リソースが限られた組み込み・エッジデバイスに最適です。数秒でダウンロードでき、即座に動作するため、多くのwhisper.cppベースのツールでデフォルトの初期モデルとして使われています。

baseモデルはtinyのパラメータ数（74M vs 39M）を2倍にしながらも、非常に軽量なままです。142 MiB（GGML）、実行時RAM約388 MBで、現代のほぼあらゆるデバイスに余裕で収まります。tinyからの精度向上は明確に体感でき、特にノイズの多い音声やアクセントのある発話で顕著です。

base.enバリアントは、LibriSpeechのtest-cleanで約4.3%、test-otherで約12.8%のWERを達成します。これはtiny.en（それぞれ5.6%と14.9%）からの確かな改善であり、特に難しい音声で効果を発揮します。

baseは、tinyでは精度がやや物足りない低消費電力デバイスに適した選択肢です。また、RAM使用量を500 MB以下に抑えつつ速度と品質のバランスを取りたいリアルタイム文字起こしパイプラインでも人気があります。

smallは、Whisperが本当に高精度だと感じられるようになるサイズです。244Mパラメータでbaseの3.3倍に達し、特に英語以外の言語やノイズの多い録音で精度が大きく向上します。GGMLファイルは466 MiB、実行時RAM使用量は約852 MBです。速度はlargeの約4倍で動作します。

small.enバリアントは、LibriSpeechのtest-cleanで約3.0%のWERに達します。これは500 MB未満に収まるモデルとしては驚くべき結果です。多くの英語専用ユースケースにおいて、small.enはmediumに迫る精度をはるかに少ないリソースコストで提供します。

smallは、ほとんどのユーザーにとってのデフォルトモデルとして推奨されることが多いです。最新のノートパソコン（8 GB RAMのMacBook Air M1を含む）で快適に動作し、各言語で良好な精度を発揮し、リアルタイムのディクテーションワークフローにも十分な速さで文字起こしできます。

mediumは収穫逓減が始まるサイズですが、smallからの精度向上は依然として意味があり、特に多言語の文字起こし、専門用語、難しい音声条件で効果を発揮します。769Mパラメータで、ディスク容量1.5 GiB（GGML）、実行時RAM約2.1 GBを必要とします。

medium.enモデルは、LibriSpeechのtest-cleanで約3.0%、test-otherで約7.5%のWERを達成します。ただし、より広範なベンチマーク、特に多様なアクセント、背景ノイズ、専門分野の語彙を含むものでは、mediumは一貫してsmallを上回ります。

mediumは、精度が重要でありながらlargeを動かすハードウェア（や忍耐）がない、プロ向けの文字起こしワークフローにとって有力な選択肢です。8 GB以上のRAMを搭載したマシンで快適に動作し、GPUアクセラレーションの恩恵を大きく受けます。

largeモデルは最も精度の高いWhisperバリアントで、15.5億パラメータを備えます。3つのバージョンがあります。 large-v1 （オリジナルのリリース）、 large-v2 （2.5倍のエポック数で学習し、正則化を追加）、そして large-v3 （80ではなく128のメル周波数ビンを使い、より多くのデータで学習）です。large-v3は、最大限の精度を求める場合の現在の推奨バージョンです。

large-v2 vs large-v3

どのlargeモデルを使うべきか： 新規プロジェクトにはlarge-v3を使ってください。平均すると全言語にわたってlarge-v2より確実に優れています。ただし、非常に静かな音声や無音区間といった特定のエッジケースでは、large-v2の方が幻覚（音声に存在しないテキストの生成）が少ないと報告するユーザーもいます。large-v3で幻覚の問題に遭遇した場合は、フォールバックとしてlarge-v2を試してください。

turboモデルはlarge-v3を蒸留したバージョンで、精度の大半を維持したまま推論時間を劇的に短縮します。OpenAIは、デコーダーを32層からわずか4層まで削減することでこれを実現し、パラメータ数を1,550Mから809Mへと削減しました。重い処理を担うエンコーダーは、large-v3と同一のままです。

turboは、large-v3に迫る精度を求めつつも、フルのlargeモデルのレイテンシを許容できない場合の最適な選択肢です。torch.compileなどの最適化を施したGPU上では、turboは標準的な推論に対して最大4.5倍の速度向上を達成でき、極めて高速に動作します。

tiny、base、small、mediumのサイズについて、Whisperは2つのバリアントを提供しています。多言語モデルと、英語専用（ .en ）モデルです。largeとturboのモデルは多言語のみで、英語専用版はありません。

.enモデルと多言語モデルの性能差は、小さいサイズほど顕著です。tinyとbaseでは、.en版が英語で明らかに優れています。smallやmediumに達する頃には、その差はかなり縮まります。largeレベルでは多言語モデルしかありませんが、それでも英語で非常に優れた性能を発揮します。

必要なハードウェアは、モデルサイズと、whisper.cpp（CPU／Metal／CUDA）とPyTorch実装（GPU重視）のどちらを使うかに大きく左右されます。一般的なハードウェアクラスで期待できる内容を以下に示します。

whisper.cpp アクセラレーションバックエンド

ほとんどのデスクトップアプリが使用するC/C++移植版のwhisper.cppは、性能を劇的に向上させる複数のハードウェアアクセラレーションバックエンドをサポートしています。

おおよその文字起こし速度

60秒の音声クリップに対するリアルタイムファクター（RTF）です。RTF < 1.0はリアルタイムより高速であることを意味します。これらは大まかな目安であり、実際の性能は音声の内容、モデルの量子化、システム負荷によって変わります。

よくあるシナリオに基づいた具体的なおすすめを以下に示します。迷ったらsmallから始め、自分の経験に応じて上げ下げしてください。

OpenWhispr は、内部でwhisper.cppを使用するオープンソースのデスクトップ・ディクテーションアプリです。コマンドライン不要で、設定画面から直接あらゆるWhisperモデルをダウンロードして切り替えられます。モデルは一度ダウンロードすればローカルに保存されます。お使いのハードウェアに合わせて速度と精度のバランスを取るため、いつでもモデルを変更できます。

• Radford et al. 「Robust Speech Recognition via Large-Scale Weak Supervision」（2022） — 完全なベンチマーク結果を含むオリジナルのWhisper論文。
• OpenAI Whisper GitHubリポジトリ — 公式のモデル表、パラメータ数、VRAM要件、相対速度の数値。
• OpenAI Whisper モデルカード — 公式の学習データ構成と評価に関する注意点。
• whisper.cpp GitHubリポジトリ — GGMLモデルサイズ、RAM使用量、ハードウェアアクセラレーションの詳細。
• Whisper large-v2 モデルカード（HuggingFace） — 多くのWER比較で使われるLibriSpeechベンチマークの背景。
• Whisper large-v3 モデルカード（HuggingFace） — 学習の詳細、large-v2からのアーキテクチャ変更、多言語の改善。
• Whisper large-v3-turbo モデルカード（HuggingFace） — turboのアーキテクチャ詳細、デコーダー削減の仕様、性能トレードオフ。
• OpenAI Whisper Turbo 発表（GitHub Discussion #2363） — 公式のturboリリースノートと言語横断の性能比較。
• OpenWhispr — モデルサイズ選択のための実践的なローカル展開の背景。