Qwen3-ASRとWhisperを比較：どのローカル文字起こしを選ぶ？

Whisper Turboのモデルカードは99言語を挙げます。Qwen3-ASR²の52には中国語の方言も含まれます。Nemotron 3.5は40ロケールを対応段階に分けます。数だけでは未対応に近い言語まで同等に見えるため、必要な言語の段階を確かめましょう。

ベンチマークは対象データ、正規化規則、指標と一緒に確認します。文の長さや発話の重なりで誤り率は変わり、同じ言語のニュース音声も会議の精度を示すものではありません。こうした条件から公開スコアが自分の録音試験に役立つか判断しましょう。

Qwen3-ASRはアラビア語、インドネシア語、ヒンディー語、マレー語、フィリピン語、ペルシャ語、タイ語、ベトナム語などを挙げます。Nemotronの対応済み層はウクライナ語、トルコ語、アラビア語、ヒンディー語、広範囲対応層はポーランド語、スウェーデン語、ノルウェー語です。ギリシャ語、ヘブライ語、タイ語は追加適応が必要です。

Whisperの重みはMITで公開されています。whisper.cppはApple SiliconのMetal・Core ML、CPU³、NVIDIA CUDA⁴に対応します。faster-whisperはCTranslate2でCUDA・CPU・int8を提供しますが、公式Metal対応は確認できませんでした。実行ソフトによって変換、メモリ、速度が変わります。

faster-whisperの導入やCUDA依存関係は公式READMEの現行手順に従います。以前のCUDA・cuDNN構成を流用すると競合する場合があるため、新しい仮想環境⁵が便利です。whisper.cppはGGML変換モデルを使うので、Hugging Faceの元チェックポイントとダウンロード容量を直接比べないでください。

Qwen3-ASR 0.6Bと1.7Bは韓国語を含むApache-2.0モデルで、公式にオフラインとstreamingの例があります。高速GPU⁶サーバーにはvLLMを推奨しますが、Mac用高速化アプリという意味ではありません。0.6Bのファイルは1.88GBで、実行時メモリとは別です。公式の端末別速度値は確認できませんでした。

コミュニティの`qwen3-asr-rs`はQwenの重みをRust/CandleとMetalで動かす第三者ポートです。M4 Mac miniでの短い英語・中国語の測定は、公式Python実装や韓国語音声の結果ではありません。サイトのMac速度体験は第三者Metalポートでの観測値を条件付きで換算した参考です。公式実装で同じ時間になると考えず、ご自身の環境で試してください。

Nemotron 3.5は40ロケールでcache-aware streamingに対応し、19は対応済み、13は広範囲対応、8は追加適応が必要です。Parakeet TDT v3は25の欧州言語を発話全体で処理し、この実行環境ではcache-aware streamingに対応しません。Parakeet CTC 1.1Bは英語専用です。

faster-whisperのRTX 3070 Ti値は13分ファイル一本の完了時間とVRAM⁷です。NVIDIAのH100値は設定別の同時リアルタイムstream数です。一方は一つのジョブ、他方はサーバーの処理能力なので、作業や購入の目的に合う指標を選びましょう。

RTF⁸は推論時間を音声の長さで割った値で、1未満なら再生時間より速く処理できたことを示します。初回のモデル取得やロードは通常この比率に含まれないため、最初に結果を得るまでの時間と分けて考えます。ライブ音声では最初の文字までの遅延と全体の完了時間の両方を確認しましょう。