ブログに戻る

Parakeet vs Whisper:速度・精度・言語を比較

Parakeet vs Whisperを比較。NVIDIAのParakeetは高速で英語のベンチマークでも優位ですが、対応は欧州25言語で、Whisperの99言語には及びません。字幕にはどちらを使うべきか解説します。

2026年11月16日
Sablate Team

Parakeet vs Whisperの結論は、動画がどの言語かで決まります。NVIDIAのParakeet TDT 0.6B v3はWhisperよりはるかに高速で、Open ASR Leaderboardの英語テストでは、Whisper large-v3やturboより精度も上です。ただし対応は欧州の25言語で、Whisperは99言語に対応します。トルコ語、日本語、韓国語、中国語、アラビア語、ヒンディー語を含む、その25言語以外では、Parakeetは選択肢になりません。

そのため、ベンチマークのグラフが示す印象より、選択は簡単です。以下では、NVIDIAとOpenAI自身のモデルカードとリーダーボードの数値、Parakeetが非常に高速な理由、Whisperが今も優れている点、そしてそれぞれを動かすデスクトップアプリを紹介します。

Parakeet vs Whisperを並べて比較する

数値は2026年11月16日に、NVIDIAとOpenAIのモデルカード、および2026年11月13日に最終更新されたOpen ASR Leaderboardで確認したものです。誤り率はリーダーボードの英語の平均単語誤り率で、低いほど良い値です。速度はRTFxで、NVIDIA H200 1基で、計算1秒あたりに文字起こしできた音声の秒数です。

項目Parakeet TDT 0.6B v3Whisper large-v3Whisper large-v3-turbo
開発元NVIDIAOpenAIOpenAI
パラメータ数600 M1,550 M809 M
対応言語欧州25言語99言語99言語
英語の誤り率(リーダーボード)7.04%8.24%8.75%
長時間録音の誤り率(リーダーボード)12.60%13.10%12.82%
速度(RTFx)約6,320約470約810
トルコ語、日本語、韓国語、中国語、アラビア語、ヒンディー語非対応対応対応
音声翻訳非対応英語への翻訳非対応
単語タイムスタンプ対応対応対応
ライセンスCC-BY-4.0MITMIT

2つの行は、見直す価値があります。言語の行は、ほかのどの行よりも結果を左右します。どれほど高速で高精度でも、自分の言語を聞き取れないモデルには価値がありません。また、決算説明会や長いインタビューで測定した長時間録音の行では、3つのモデルの差が0.5ポイント以内に収まっています。Parakeetの優位がはっきり出るのは、ベンチマークの大半を占める、より短い英語のクリップです。

NVIDIAのモデルカードには、句読点と大文字・小文字の自動付与、言語の自動検出、そしてフルアテンションなら最大24分、ローカルアテンションなら最大3時間の音声を1回で処理できることも記載されています。Whisperは、OpenAIのREADMEにあるとおり、音声を30秒のウィンドウで順に処理することで、どんな長さでも扱えます。

ParakeetがWhisperよりはるかに高速な理由

2つのモデルは作りが違います。Whisperはエンコーダー・デコーダー型のTransformerです。エンコーダーが30秒の音声を聴き取り、そのあとデコーダーがトークンを1つずつテキストに書き出し、各トークンは直前のトークンを待ちます。時間の大半はこの後半に費やされるため、エンコーダーを残してデコーダーを32層から4層に削減したlarge-v3-turboは、large-v3より約8倍速く動作します。

Parakeetは、FastConformerエンコーダーとTDTデコーダーを組み合わせています。TDTはToken-and-Duration Transducerの略で、各ステップで次のトークンと、そのトークンが何フレーム分の音声に当たるかを予測するため、すべてのフレームを訪れる代わりに、フレームを飛ばせます。開発者らは、これだけで従来のトランスデューサーより最大2.82倍高速な推論を測定しています。音声1秒あたりの作業が減るので、計算1秒あたりに処理できる音声が増えるのです。

リーダーボードの速度の数値は、約束ではなく比率として受け取ってください。数値はデータセンター向けGPUで測定されたものです。自宅のRTXカードやノートパソコンのCPUでは、どちらのモデルもこの数値よりはるかに遅くなり、Parakeetがどれだけ速いままかは、それを動かすソフトウェアで変わります。デスクトップのハードウェアでの測定は私たち自身では行っていないため、その数値は公表しません。

ParakeetはWhisperより精度が高いのか

英語のベンチマークでは、そのとおりです。Parakeet v3は、リーダーボードの現在の英語セットで平均単語誤り率7.04%で、Whisper large-v3の8.24%、turboの8.75%を下回ります。英語専用の前身であるParakeet v2は、6.93%とさらにわずかに良い値です。長時間録音では差はほぼ縮まります:Parakeet v3が12.60%、turboが12.82%、large-v3が13.10%です。

これらの数値を冷静に受け止めるための注意点が3つあります:

  • リーダーボードは大半が英語です。 多言語タブでテストされるのは8言語です。Parakeet v3はそのうち6言語に対応していますが、中国語とヒンディー語のスコアがないため、多言語の平均はそもそも出ません。Whisper large-v3は、8言語の平均で7.76%です。
  • ベンチマークは自分の音声ではありません。 1ポイントの差は、単語100個につき約1個の違いです。マイク、アクセント、音楽、複数人の同時発話のほうが、モデルの順位よりも結果をはるかに大きく動かします。
  • Whisperの誤りは詳しく記録されていますが、Parakeetのものはそれほどではありません。 OpenAI自身の論文は、Whisperが「繰り返しループにはまる」ことと、「モデルが実際の音声とまったく無関係な文字起こしを出力する、完全なハルシネーション」を挙げています。NVIDIAのモデルカードは、ハルシネーションについてどちらとも述べておらず、代わりにノイズの数値を公表しています。英語の誤り率は、クリーンな音声での6.34%から、信号対雑音比0 dBでの11.66%に上がります。Whisperがハルシネーションを起こす理由では、Whisper側の対策を解説しています。

字幕では、これほど小さな精度の差よりも、抜け落ちのほうが重要です。文を飛ばすモデルは、名前を綴り間違えるモデルより代償が大きいので、自分のクリップで試し、まず欠けているものを探してください。

Parakeet v3はどの言語に対応しているか

25言語で、すべて欧州の言語です。ブルガリア語、クロアチア語、チェコ語、デンマーク語、オランダ語、英語、エストニア語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ハンガリー語、イタリア語、ラトビア語、リトアニア語、マルタ語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、スロバキア語、スロベニア語、スペイン語、スウェーデン語、ウクライナ語です。話されているのがどの言語かは、指定しなくても検出します。

それ以外は対象外です。トルコ語、日本語、韓国語、中国語、アラビア語、ヒンディー語、ベトナム語、タイ語、インドネシア語、ペルシア語などは、Parakeet v3が文字起こしできない言語です。NVIDIAは旧世代の日本語専用Parakeetを別に公開していますが、アジアの言語やトルコ語に対応する多言語のParakeetはありません。

Whisperの99言語も、同じように使えるわけではありません。OpenAIのREADMEにあるとおり、精度は言語ごとに大きく異なり、Whisperの対応言語に、OpenAI自身が公表した言語別の誤り率を載せています。それでも、自分の言語での弱い結果は、修正できる文字起こしです。結果がまったくないのでは、修正すらできません。

2026年11月時点で、NVIDIAのHugging Faceのページに、Parakeet v4は載っていません。新しい0.6Bのリリースは、ストリーミング対応の英語モデルと、同じ欧州25言語に対応するその多言語版です。

WindowsとMacでParakeetを動かせる場所は?

ParakeetはNVIDIAのNeMoツールキットから生まれたものです。NeMoはPythonのフレームワークで、モデルカードはこれをNVIDIA GPU向けに最適化されたもので、Linuxが推奨のシステムだと説明しています。その方法で動かす人は多くありません。次のデスクトップアプリがParakeetをパッケージしています(各アプリ自身のページによる):

  • Vibe(Windows、Mac、Linux、無料のオープンソース)は、WhisperとParakeet TDT v3を動かし、SRT、VTT、および複数の文書形式で書き出せます。
  • Subtitle Edit(Windows、Mac、Linux、無料)は、バージョン5.1で、CrispASRエンジン経由のParakeetモデルを「Speech to text」ウィンドウに追加しました。Subtitle EditでWhisperを使う方法で、このウィンドウを解説しています。
  • MacWhisper(Mac)は、Apple SiliconでWhisperとParakeetを動かし、SRTとVTTで書き出せます。Windows向けのMacWhisper代替で、Windowsの選択肢と比較しています。
  • MacParakeet(Apple Silicon、無料のオープンソース)は、Parakeet v3を中心に作られており、SRTとVTTで書き出せます。中国語、日本語、韓国語には対応していないと、はっきり述べています。
  • parakeet-mlxは、Apple Silicon向けのコマンドラインツールで、標準でSRTを出力します。
  • Handy(Windows、Mac、Linux、無料)は、Parakeet v3をファイルの文字起こしではなく、音声入力に使います。

Whisper側については、Whisper GUIの比較が、7つのデスクトップアプリと、それぞれが動かすエンジンをまとめています。

字幕にはParakeetとWhisperのどちらを使うべきか

「動画は英語、またはParakeetが対応する25言語のどれかで、速度が大事。」 VibeかSubtitle EditでParakeetを試してください。高速で、英語のベンチマークでは精度もわずかに上です。

「動画はトルコ語、日本語、韓国語、中国語、アラビア語、ヒンディー語。」 Whisperを使ってください。Parakeetはこれらの言語をまったく文字起こしできません。

「複数の言語を扱い、すべてが欧州の言語とは限らない。」 Whisperを使えば、1つのツールと1つのワークフローで、すべての動画をカバーできます。

「話されている言語だけでなく、他の言語の字幕も必要。」 どちらのモデルも、それ単体では得意ではありません。その言語に合うモデルで、話されている言語のまま文字起こしし、文字起こしを修正してから、テキストを翻訳してください。

「長い録音を文字起こしする。」 どちらでも構いません。リーダーボードの長時間テストでは3つのモデルの差が0.5ポイント以内なので、言語と速度で選んでください。

SablateがParakeetではなくWhisperを動かす理由

Sablateは、自分のパソコン上でfaster-whisperを使って文字起こしし、Parakeetは提供していません。理由は言語です。Sablateは1つの文字起こしを多言語の字幕に変えることを軸に作られており、元の動画はWhisperの99言語に広東語を加えた100言語のどれでも構いません。25の欧州言語で止まるモデルでは、利用者が持ち込むトルコ語、日本語、韓国語の動画をカバーできません。

トレードオフは現実のもので、Parakeetが当てはまる場面ではParakeetが勝ちます。MacではSablateはwhisper.cpp経由でApple SiliconのGPU上でWhisperを動かしますが、英語や欧州の言語なら、Parakeetを動かすMacWhisperやMacParakeetのほうが依然として早く終わります。WindowsではNVIDIA GPUがあれば、SablateのWhisperモデルはCPUのおよそ5〜10倍速くなり、large-v3-turboが妥当な標準です。

文字起こしの後に何が起こるかが、Sablateが文字起こしツールと違う点です。それぞれの翻訳は同じタイミングの上のレイヤーになり、Argosでオフラインに、または自分のDeepL・OpenAI・Claudeのキーで行い、言語ごとに独自のスタイルと独自のフォントを保ちます。.srtや.vtt、言語ごとのトラックを持つ1つの.mkv、または焼き込み済みの.mp4で書き出せます。無料プランはFastとBalancedのモデルを使え、ProはAccurate(large-v3-turbo)とBest(large-v3)を加えて、$29の買い切りまたは月$5.99です。

まとめ

Parakeet v3は高速で、英語ではわずかに精度も上のモデルです。WhisperはParakeetの25言語に入らない言語を理解するモデルです。英語や欧州言語の動画なら、VibeやSubtitle Editのような無料アプリでParakeetを試してください。それ以外の言語、あるいは複数の言語の字幕になる場合は、Whisperを使い、Whisperのモデル比較でサイズを選んでください。

よくある質問

ParakeetはWhisperより優れていますか?

英語と、Parakeetが対応する欧州25言語では、Parakeet TDT 0.6B v3のほうが高速で、Open ASR Leaderboardでの誤り率もWhisper large-v3やturboより低くなっています。それ以外の言語では選択肢になりません。トルコ語、日本語、韓国語、中国語、アラビア語、ヒンディー語は文字起こしできないからです。Whisperは99言語に対応しています。

ParakeetはWhisperより何倍速いですか?

Open ASR Leaderboardでは、Whisper large-v3のおよそ13倍、turboの8倍の速さです。この測定では、Parakeet v3がデータセンター向けGPUで、計算1秒あたりおよそ6,300秒分の音声を処理しました。デスクトップ向けのグラフィックスカードやノートパソコンでは、絶対値ははるかに低くなり、各モデルを動かすソフトウェアにも左右されます。

Parakeet v3はどの言語に対応していますか?

欧州の25言語です。ブルガリア語、クロアチア語、チェコ語、デンマーク語、オランダ語、英語、エストニア語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ハンガリー語、イタリア語、ラトビア語、リトアニア語、マルタ語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、スロバキア語、スロベニア語、スペイン語、スウェーデン語、ウクライナ語で、話されている言語は自動で検出します。前のバージョンのParakeet v2は、英語のみです。

Parakeetで日本語、中国語、韓国語、トルコ語を文字起こしできますか?

できません。この4言語はいずれもParakeet v3の25言語に含まれておらず、アラビア語とヒンディー語も同様です。NVIDIAには、旧世代の日本語専用のParakeetモデルが別にありますが、アジアの言語やトルコ語に対応する多言語版のParakeetはありません。これらの言語では、Whisper large-v3かturboが現実的なローカルの選択肢です。

ParakeetはWhisperのように音声を翻訳できますか?

できません。Parakeetは、話されている言語のまま文字起こしするだけです。Whisper large-v3は音声を英語に翻訳できますが、turboにはできません。NVIDIAの音声翻訳モデルはCanary-1B-v2で、英語と欧州の24言語の間で翻訳します。ほかの言語の字幕が必要なら、どちらのモデルを使うよりも、修正した文字起こしをテキストとして翻訳したほうが良い結果になります。

関連記事

2026年9月11日

字幕用Whisperモデル比較:tiny・small・turbo・large-v3の違い

字幕用Whisperモデルを徹底比較。tiny・small・turbo・large-v3のパラメータ数、実際のダウンロード容量、速度を検証し、字幕作業において大きいモデルが常に最良とは限らない理由をわかりやすく解説します。

続きを読む
2026年10月3日

Whisperのハルシネーション:同じ行を繰り返し、存在しない文章を書く理由

Whisperのハルシネーションを解説します。無音に「Thank you for watching」と書いてしまう理由、同じ行を繰り返すループの原因、各対策の代償、完成したSRTの中から見つける方法まで詳しく紹介します。

続きを読む
2026年11月12日

Whisper GUI 7選:Windows・Mac(2026)

Whisper GUIは、OpenAIのWhisper音声認識モデルをターミナルなしで動かすアプリです。WindowsとMacで使える7つのデスクトップアプリを、セットアップ、GPU対応、編集、書き出しで比較します。

続きを読む
2026年11月10日

Whisperの日本語精度と対応言語100

Whisperは100言語に対応していますが、精度は言語ごとに違います。日本語の誤り率、全言語の一覧、OpenAI自身が公表したモデル別の誤り率と、turboがlarge-v3に劣る言語まで、わかりやすく詳しく解説します。

続きを読む