「Parakeet V3はWhisper Large V3より小さくて速く、ベンチマークでも優秀」という紹介を見かけることがあります。その評価自体は間違いではありません。ただし、日本語の会議や講義を文字起こししたい場合、最初に確認すべき点が一つあります。
NVIDIAが公開しているParakeet TDT 0.6B V3の対応言語は、英語を含む25のヨーロッパ言語です。日本語は含まれていません。一方、Whisper Large V3は日本語を扱えるため、日本語中心の用途では対応言語の時点で選択が大きく分かれます。
LoroNoteがWhisper Large V3 Turboを採用したのもこのためです。日本語を含む幅広い言語に対応しながら、iPhoneやiPad上で実用的な速度を出せるバランスを重視しています。
先に結論をまとめると、次のようになります。
- 日本語の文字起こしには、公式対応しているWhisper Large V3系が現実的です。
- Parakeet V3は、対応するヨーロッパ言語をNVIDIA GPUで大量処理する用途に強みがあります。
- LoroNoteはLarge V3 Turboを端末内で動かし、日本語対応と速度、オフラインのプライバシーを両立しています。
情報開示：この記事はLoroNoteチームが作成しました。2026年8月10日時点のNVIDIAおよびOpenAIの公式モデルカードと技術資料を確認しています。NVIDIAの図は出典を明記して掲載し、Parakeetが適しているケースも含めて比較します。
3つのモデルを比較
この記事のParakeet V3はparakeet-tdt-0.6b-v3を指します。Whisperは、フルサイズのlarge-v3と、LoroNoteが利用する軽量・高速版large-v3-turboを分けて考えます。
| 項目 | Parakeet TDT 0.6B V3 | Whisper Large V3 | Whisper Large V3 Turbo |
|---|---|---|---|
| パラメータ数 | 6億 | 15.5億 | 約8.09億 |
| 主な強み | 対応言語の高速な大量処理 | 幅広い多言語認識と翻訳 | より高速な多言語認識 |
| 公式の言語範囲 | ヨーロッパの25言語 | 幅広い多言語 | Large V3ベースの多言語認識 |
| 日本語 | 非対応 | 対応 | 対応 |
| 言語の自動判定 | 対応25言語内 | あり | あり |
| 英語への翻訳 | なし | あり | 翻訳用には学習されていない |
| LoroNoteでの利用 | なし | Turboの基盤 | 端末内で動作 |
パラメータ数だけで体感速度は決まりません。最適化方法、使用メモリ、音声の長さ、実行するハードウェアが影響します。NVIDIA GPU上の速度を、そのままiPhone上の速度として比較することはできません。
Parakeet V3が注目される理由
ParakeetはToken-and-Duration Transducerという方式を採用しています。簡単に言えば、新しい文字が生まれにくい音声フレームを効率よく飛ばし、不要な計算を減らす仕組みです。公式モデルカードでは、自動句読点、単語・区間ごとのタイムスタンプ、言語判定、長時間音声への対応も示されています。
対応24言語における平均WERのNVIDIAによる比較。出典：
NVIDIA Parakeet TDT 0.6B V3モデルカード
。CC BY 4.0。
NVIDIAの評価では、FLEURSとMLSの平均WERでParakeetがWhisper Large V3を下回り、CoVoSTではWhisperがわずかに下回っています。6億パラメータのモデルとして非常に優秀な結果です。
ただし、このグラフはParakeetが対応する言語だけを平均したものです。日本語は評価対象に含まれません。句読点や大文字・小文字の誤りも除外されており、NVIDIA自身による評価です。日本語やiPhoneでの性能を示す図ではありません。
数字で見る両者の差
公開されている数値を並べると、トレードオフがより具体的になります。
- 英語の精度： Hugging FaceのOpen ASRリーダーボードでは、Parakeet TDT 0.6B V3の単語誤り率（WER）が約6.3%、Whisper Large V3が約7.4%です。確かにParakeetが優位ですが、その差は100語に1語程度で、マイクの位置や部屋の環境の方がはるかに大きく結果を左右します。
- 多言語の平均： Parakeetの対応言語で測ったFLEURSベンチマークでは、NVIDIAのモデルカードによるとParakeetが約12.0%、Whisper Large V3が約12.6%と僅差で、言語ごとに優劣が入れ替わります。
- 処理速度： Parakeetのトランスデューサー方式はバッチ処理で桁違いに高速です。NVIDIAが公開しているリアルタイム係数はWhisperを一桁以上上回ります。速度は、Parakeetの最も明確で異論の少ない強みです。
表の数字以外に、知っておく価値のある挙動の違いが一つあります。Whisperは生成型のデコーダーを使うため、OpenAI自身が「実際には話されていない単語を生成することがある」と明記しており、特に無音やノイズ区間で起こりやすい現象です。一方、Parakeetのトランスデューサー方式は音声トークンを検出したときだけ文字を出力するため、静かな区間でのハルシネーションが少なくなります。優れたアプリはWhisper側でこの弱点を緩和していますが、モデル単体の挙動としては、この点はParakeetに軍配が上がります。
ParakeetはもうGPU専用ではない — それでもWhisperを選ぶ理由
よくある説明を正直にアップデートしておきます。Parakeetは、もはやNVIDIAサーバーの上だけで動くモデルではありません。Appleハードウェア向けに変換されたビルドがローカルで動作し、その速さを理由に、iOSやMacの一部アプリはParakeetを切り替え可能なエンジンとして搭載しています。もしParakeetがあなたの言語をカバーしているなら、スマートフォンで動かすことは十分に合理的な選択です。
決め手になるのは対応範囲です。Parakeet V3の公式対応はヨーロッパの25言語にとどまり、日本語・韓国語・中国語をはじめ、世界の言語の大半はリストに含まれていません。Whisperの学習は約100言語に及ぶため、英語の製品名が混ざる日本語会議や、言語が切り替わるインタビューも、エンジンを替えずに1つのモデルで扱えます。
多くの国で使われる文字起こしアプリにとって、この違いはベンチマークの細部ではなく構造的なものです。LoroNoteが、より高速な英語圏向けの選択肢ではなくWhisperファミリーを土台にしている最大の理由がここにあります。
日本語では「対応しているか」が最初の分岐点
Parakeet V3の公式リストには、日本語だけでなく韓国語や中国語も含まれていません。そのため、英語だけのサーバー処理では魅力的でも、日本語の会議をそのまま任せるモデルとしては選びにくいのが現状です。
Whisperは日本語を扱えますが、どんな録音でも同じ精度になるわけではありません。固有名詞、社内用語、専門用語、方言、複数人の発話が重なる場面では誤りが増える可能性があります。また、日本語は分かち書きをしないため、英語のような単語誤り率だけでは使いやすさを判断しにくく、OpenAIの評価でも文字誤り率が使われます。
比較するなら、静かな読み上げ音声より、実際の会議室や講義で録った音声を使う方が参考になります。
LoroNoteがWhisper Large V3 Turboを使う理由
LoroNoteはGPUサーバー上で大量のファイルを処理するサービスではありません。会議、講義、インタビュー、読み込んだ音声や動画を、iPhoneやiPad上で個人のノートに変えるアプリです。
フルサイズのLarge V3は高性能ですが、モバイル端末で長時間音声を扱うには重いモデルです。OpenAIはTurboでデコーダーを32層から4層に削減し、パラメータ数を15.5億から約8.09億にしました。Large V3の多言語基盤を生かしながら、文字起こしを大幅に高速化しています。
もちろんトレードオフはあります。OpenAIによれば、言語によって精度差があり、Turboは音声翻訳向けには学習されていません。LoroNoteの主な目的は、話した言語のまま文字にすることなので、このバランスが実用的です。
アプリではモデルに加えて、文字起こしを使いやすくする機能を組み合わせています。
- 端末内で行う話者分離
- 音声の該当箇所へ戻れるタイムスタンプ
- 人名や専門用語を登録できるカスタム語彙
- 音声・動画ファイルの読み込み
- 編集とTXT・SRT書き出し
また、Whisperを使っているだけでプライバシーが保証されるわけではありません。クラウド上で動かすサービスもあります。LoroNoteはWhisper Large V3 Turboと話者分離を端末内で実行し、録音も文字起こしもオフラインで利用できます。詳しくはオフライン文字起こしガイドをご覧ください。
結局、どちらを選ぶべき？
英語や対応するヨーロッパ言語をNVIDIA GPUで大量に処理するなら、Parakeet V3は有力な選択肢です。一方、日本語が必要な時点でWhisper Large V3系が現実的な候補になります。複数言語や言語が混ざる音声にも、Whisperの方が対応しやすいでしょう。
iPhoneやiPadでプライベートな音声を文字起こしするなら、Turboは精度と待ち時間のバランスに優れています。
最終判断の前に、普段の環境で3〜5分録音してみてください。人名、数字、製品名を入れ、抜けた言葉、句読点、話者の切り替わり、処理時間を確認すると、モデルのスペックより実用性が見えてきます。
よくある質問
Parakeet V3は日本語・韓国語・中国語に対応していますか？
いいえ。公式モデルカードの対応言語はヨーロッパの25言語で、日本語・韓国語・中国語は含まれていません。これらの言語や、その他の非ヨーロッパ言語の文字起こしが目的なら、1つのモデルで約100言語をカバーするWhisper系が現実的な選択です。
ParakeetはiPhoneで動きますか？
はい。Appleハードウェア向けに変換されたビルドが存在し、速度を理由にParakeetを切り替え可能なオンデバイスエンジンとして提供する文字起こしアプリもあります。もはや「動くかどうか」は決め手ではなく、決め手は言語カバレッジです。録音がParakeet対応の25のヨーロッパ言語に収まるなら高速な選択肢ですが、日本語ならそもそも文字起こしできるのはWhisperの方です。
Whisper Large V3 TurboはLarge V3と同じですか？
同じではありません。TurboはLarge V3を基盤にしていますが、デコーダーを32層から4層へ減らした高速版です。言語によって精度の差があり、翻訳向けには最適化されていません。
Whisperを使うと音声がOpenAIへ送られますか？
必ず送られるわけではなく、アプリの実装次第です。LoroNoteはiPhoneやiPad上でモデルを動かすため、文字起こしのためにOpenAIやLoroNoteのサーバーへ音声をアップロードする必要はありません。実際のiPhone上での速度は、Whisperアプリ比較の実測値をご覧ください。
日本語で使えることが、まず大切
Parakeet V3は対応するヨーロッパ言語のサーバー処理で優れたモデルです。しかし、日本語の録音を扱うなら、公式対応と多言語の柔軟性を持つWhisper Large V3系が自然な選択になります。
LoroNoteは、日本語を含む実際の録音に対応し、長く待たず、プライベートな音声を端末に残せるようにTurboを選びました。