音声認識も静かにオープンウェイトになった — サイズは1.56GB

アリババのQwenチームがHugging Faceに置いている音声認識モデルが3つあります。ほとんど誰も記事にしませんでした。Qwen3-ASR-0.6B、Qwen3-ASR-1.7B、そして対になるQwen3-ForcedAligner-0.6B。いずれもApache 2.0ライセンスです。いちばん小さいものはダウンロードサイズ1.56GB、52の言語と方言を扱い、6月26日以降は標準的なPythonの3行で動きます。すでに持っているマシンに置けばよく、誰もあなたに請求書を送れません。

流れははっきりしています。私たちは一度これを見ているからです。大規模言語モデルは2023年から2024年にかけてAPIで借りるものでしたが、そこにオープンウェイト層が現れ、コストとプライバシー、オフライン動作を重視する層にとっての既定値になりました。文字起こしがいま、同じ道を2年ほど遅れて歩いています。

この記事は、モデルのリリースを毎日追っているわけではない方のための地図です。オープンウェイトの音声モデルとは何か、いまどのモデルがどのライセンスで存在するのか、「ノートPCで動く0.6B」が実際に何をもたらすのか、そして多くの記事が飛ばす部分 — クローズドなホスティングAPIがいまだにはっきり勝っている場所はどこか。

TL;DR:

• オープンウェイトの文字起こしはすでに実用段階です。Qwen3-ASRはApache 2.0で52の言語・方言、WhisperはMIT、NVIDIAのParakeetとCanaryはCC BY 4.0、MistralのVoxtralはApache 2.0です。
• 自前でホストすればプライバシー、オフライン動作、コスト管理が手に入ります。独立系ベンチマークのArtificial Analysisでは、オープンモデルのホスティングが1,000分あたり1.50ドル、MicrosoftのMAI-Transcribe-1.5が6.00ドル、Gemini 3.1 Pro Previewが18.15ドルです。
• 精度1位はいまもダウンロードできないクローズドのプレビューエンドポイントです。ただしApache 2.0のオープンモデルであるVoxtral Smallが5位に入っており、1位との差は単語誤り率で約1ポイントです。

画像: Aaron Parecki, Wikimedia Commons, CC BY 2.0。「it rains a lot in Portland」という文の波形とスペクトログラムで、文字が対応する音声区間の上に置かれています。あらゆる音声認識モデルが扱う原材料がこれです。

文字起こしモデルをダウンロードするとき、何をダウンロードしているのか

ASRモデル、つまり自動音声認識モデルは、STTや音声テキスト変換と同じ意味で使われますが、音声を入れるとテキストを出すプログラムです。仕事はそれだけ。誰が話したかを判断せず、要約もせず、その会議が何の話だったかも知りません。言葉を聞いて書き取るだけです。

「オープンウェイト」とは、研究所が完成したモデルファイルそのものを公開したという意味です。モデルの重みは学習で獲得した巨大な数値の格子で、それを公開するということは、そのファイルをダウンロードして自分のハードウェアで動かし、その上に製品を作れるということです。許可も要らず、リクエストごとの課金もありません。反対側はクローズドなモデルです。重みはベンダーのサーバーに残り、あなたはAPIでアクセス権を借ります。音声を送ればテキストが返り、分単位で請求されます。

名前についた数字はパラメータ数で、音声モデルではこの数字が特に実質的です。「0.6B」はパラメータが約6億という意味で、実際にQwen3-ASR-0.6Bは1.56GBのファイル、Qwen3-ASR-1.7Bは4.08GBのファイルです。どちらもノートPCのSSDに置いても気づかれない大きさです。中国のオープンモデルをまとめた記事で扱った言語モデルと比べてみてください。あちらの目玉は96分割で1.56テラバイト、読み込むだけでもクラスタが要りました。音声モデルは最前線のテキストモデルより千倍ほど小さく、その一点が、今回の変化があのときより強く効いてくる理由です。

この記事で使い続ける言葉を決めておきます。ノートPC層です。ハードウェアの問いがそもそも消える階層、つまり「これ動かせる?」が予算会議ではなく単なるダウンロードになる区間を指します。テキストモデルはたいていここにいません。音声モデルはほぼ全部ここにいます。

ベンチマークより先に読むべき行がもう一つあります。ライセンスです。Apache 2.0とMITは最も寛容な側で、使い、改変し、商用製品に載せて売っても支払いは生じません。NVIDIAが使うCC BY 4.0も商用利用できますが、出典表示を求めます。

Qwenは1月に出した。6月に簡単になった

この記事を書かせたリリースを見ていきますが、広まっている説明を一つ訂正しておきます。Qwen3-ASRファミリーは6月に登場したのではありません。元のリポジトリは2026年1月28日に公開され、技術報告書はその翌日にarXivへ載りました。6月26日に起きたのは、Qwenが3モデルの-hf版を公開したことです。Hugging Face Transformersのv5.13.0以降でそのまま動くチェックポイントです。

脚注のように聞こえますが、脚注ではありません。それ以前は、モデルを動かすにはQwen独自のqwen-asrパッケージかvLLMバックエンドを入れ、そのツール体系を学ぶ必要がありました。それ以降は、Transformersを一度でも触った開発者ならすでに知っている標準的なPython 3行です。多くのオープンモデルが使われないままになる障壁は、モデル自体であることはまれです。最初の文字起こしが出るまでに環境と格闘する40分であり、6月26日が消したのはそれです。

仕様はモデルカードに書かれたままです。どちらのサイズも30言語で言語識別と音声認識を行います。英語、中国語、韓国語、日本語、スペイン語、アラビア語、ヒンディー語、タイ語、ベトナム語、ポーランド語を含み、さらに20言語。そこに中国語の方言22種が加わって「52の言語と方言」という数字になります。どちらも単一モデルでストリーミングとオフライン推論の両方をこなしますが、これは思うより珍しいことです。多くの文字起こしモデルはどちらか一方しかやりません。長い音声も受け付け、カードには歌唱やBGM入りの楽曲まで対応音声として挙げられています。

3つめのモデルは立ち止まる価値があります。Qwen3-ForcedAligner-0.6Bは強制アライメントを行います。音声と書き起こしを与えると、各単語がどこで始まりどこで終わるかをミリ秒単位で示し、11言語について一度に最大5分ぶんを処理します。クリックでその位置に飛べる書き起こし、字幕のタイミング、誰かがその発言をした瞬間へのジャンプは、すべてこの機構の上にあります。この記事の冒頭の画像がまさにその姿です。認識器と一緒にアライナーを公開したことは、このリリースが誰に向いているかを示す信号です。デモを動かす人ではなく、製品を作る人に向いています。

品質については、誰が何を主張しているかを分けて読む必要があります。Qwen自身のカードは2026年6月26日付のHugging Face Open ASR Leaderboardの数値を載せています。1.7Bモデルの平均単語誤り率が5.59%、0.6Bが6.31%、会議音声のAMI項目はそれぞれ9.26%と10.57%です。単語誤り率はモデルが誤った単語の割合なので低いほど良く、実際の会議は雑然としているためAMIがその中で最も厳しい数字です。Qwenは1.7Bを「オープンソースASRモデルの中で最高性能」であり商用APIに匹敵するとも述べていますが、アリババの外で誰かが測るまではベンダーの主張として読むのが妥当です。加えてこれは後述の独立ボードとは別のベンチマークで、音声も異なります。二つの数字を突き合わせて比較してはいけません。

始まりはWhisperで、いまも皆がWhisperを動かしている

いまの形はOpenAIのWhisperなしにはあり得ませんでした。リポジトリは2022年9月16日にMITライセンスで公開され、コードと重みが揃っていました。まともな音声認識といえばクラウド事業者との契約を意味した時代です。以来、GitHubスターを106,679集めています。

Whisperを重要にしたのは、モデル自体よりも、コミュニティが数か月で上に積み上げたものでした。whisper.cppは素のC/C++で再実装し、PythonもGPUもなしにノートPCやスマートフォンで動くようにしました。MITライセンスでスター52,591です。faster-whisperはCTranslate2の上に載せ直して速度とメモリを大きく改善しました。こちらもMITでスター24,750です。モデルが種で、生態系が木でした。

4年経ったいまも、世界でいちばん使われている音声モデルです。直近30日でwhisper-large-v3-turboはHugging Faceから872万回、whisper-large-v3は550万回ダウンロードされました。2026年8月5日に取得した数字です。Qwen3-ASR-0.6Bは429万回で、公開から半年のモデルとしては速いペースです。それでも業界が何も考えずに手を伸ばす既定値は、いまだにWhisperです。ただし精度は歳を取りました。Artificial AnalysisのボードでWhisper Large v3はAA-WER 4.07%、現在の首位は1.73%です。それでも出荷済みの製品の多くがまだWhisperを動かしています。

オープン音声の層は3年の間隔をあけて二度の波として届き、その間はほぼ空白でした。公開日はGitHubとHugging Face、2026年8月5日取得。

オープン側は一つの研究所だけではない

Qwenだけではありませんし、他は得意分野がはっきり違います。

NVIDIAのParakeet系は速度勝負です。2025年8月にCC BY 4.0で出たparakeet-tdt-0.6b-v3は6億パラメータ規模で欧州25言語をカバーし、言語の自動判定、句読点、大文字小文字、単語単位のタイムスタンプが最初から入っていて、最長24分の音声を一度に処理します。NVIDIAのCanary系であるcanary-1b-v2とcanary-qwen-2.5bもCC BY 4.0で、近い領域を別の構造的な賭けでカバーします。MistralのVoxtralは2025年7月にApache 2.0で登場し、すぐ後で触れる理由から重要です。

オープン側を横に並べてみます。最終行は対比のためのホスティングAPIです。

ダウンロード容量は各Hugging Faceリポジトリの既定チェックポイントの値、「—」は一次情報で確認できなかった項目です。2026年8月5日取得。

そして、これらのモデルを実機に載せる梱包作業があります。ノートPC層が絵空事でなくなる地点です。Apple向けにコンパイルされたWhisperであるwhisperkit-coremlは直近30日で831万回ダウンロードされました。Apple Silicon向けParakeetのMLXビルドが187万回、通常のCPUでモデルを動かす量子化形式であるGGUF変換版が二つ合わせて204万回と187万回です。毎月数百万人が、自分の機械で動かすために特別に梱包された音声認識をダウンロードしています。研究上の物珍しさではありません。流通経路です。

1位はいまもダウンロードできないプレビューエンドポイントだ

ここから正直な計算が始まりますが、両側に刺さります。

2026年8月5日にArtificial Analysisの音声テキスト変換ボードを取得しました。オープンとクローズドを同じ音声で測る独立系ベンチマークで、オープンモデル同士で競うHugging Faceのリーダーボードとは別物です。AA-WER指数の上位はこうです。

出典: Artificial Analysis 音声テキスト変換リーダーボード、AA-WER v2、2026年8月5日取得。ダウンロード可否は各モデルの公開ライセンスから判断しました。

まず上の4行を読んでください。オープンが勝ったという話への訂正です。世界で最も点数の高い音声モデルは借りるものであり、首位は一般提供すらされていないプレビューエンドポイントです。

次に5行目を読んでください。今度はその訂正への訂正です。Voxtral SmallはApache 2.0です。ダウンロードして自分のハードウェアで動かし、商用で出荷できます。それが独立ボードで2.77%、5位にいます。クローズドのプレビューモデルとの差は単語誤り率で約1ポイント。6,300語の1時間会議に換算すると約66語の差です。実在する差ですが、よく語られるほどの深淵ではありません。

私たちの見方はこうです。正確な要約は「オープンSTTは大きく遅れている」ではありません。オープンの音声モデルはほとんどの用途で十分な水準をとうに超えており、クローズド側に残った優位は単語誤り率1ポイントと、その周りを固める製品です。実際の判断を分けるのは、次の取捨選択です。

自前で動かすと何が手に入り、何を払うのか

チームを自前ホスティングへ押し出す理由は三つあり、そのどれも精度ではありません。

一つめはプライバシーで、たいてい決定打になります。診療の相談、法律のインタビュー、人事の面談を文字起こしするなら、「音声は自社のハードウェアから出ない」は好みではなく調達要件です。自分でホストするモデルだけが、その条件をきれいに満たします。二つめはオフライン動作です。端末の中のモデルは飛行機でも、地下でも、工場の床でも、電波のない現場でも動きます。whisper.cppやGGUFビルドのダウンロード数がそれだけ出ている理由は、まさにこれです。

三つめはコストで、数字が露骨です。同じArtificial Analysisのスナップショットで音声1,000分あたりの価格を見ると、fal.aiでホストされるWhisper Large v3が0.50ドル、ReplicateのNVIDIA Canary Qwen 2.5Bが0.74ドル、Together AIのParakeet TDT 0.6B V3が1.50ドルです。クローズド側はDeepgramのNova-3が4.30ドル、MAI-Transcribe-1.5が6.00ドル、Gemini 3.1 Pro Previewが18.15ドル。他人のサーバーでオープンモデルを動かすだけで、Microsoft比4倍、Google比12倍の差です。自分のサーバーで動かす場合はまだ計算にも入れていませんし、そちらは千時間目の限界費用が電気代です。

速度も同じ方向に割れます。そしてここが最も意外でした。ボード全体で最速のモデルはTogether AIで動くParakeet TDT 0.6B V3で、実時間の885倍。1時間の音声が約4秒で返ってくるということです。DeepgramのNova-3が512倍、TogetherのWhisper Large v3が478倍、MAI-Transcribe-1.5が189倍。いま使える最速の文字起こし手段は、誰でもダウンロードできる6億パラメータのオープンウェイトモデルです。

そもそも精度と精度の勝負ではありませんでした。制御とコスト対、認識を取り巻く機能の勝負です。

ではホスティングAPIは何を売っているのか。認識以外のすべてです。Deepgramのドキュメントがその目録を正直に示しています。話者分離、リアルタイムのストリーミング、整形、カスタム語彙、固有情報のマスキング、言語判定、そしてあなたが寝ている間もサービスが生きているという保証。Qwen3-ASRをダウンロードすれば、単語とタイムスタンプが手に入ります。話者ラベルはなく、SLAもなく、GPUの請求とスケーリングと午前3時の呼び出しはあなたのものです。

この分野で最もダウンロードされているモデルは、文字起こしモデルではない

全体を結びつける統計が一つあり、私たちも予想していませんでした。

Hugging Faceの自動音声認識カテゴリ全体をダウンロード順に並べると、いちばん上にいるのはWhisperでもQwenでもParakeetでもありません。直近30日で891万回のpyannote/speaker-diarization-3.1で、別のpyannote話者分離モデルが526万回で5位に入っています。話者分離は誰がいつ話したかを割り出す機構、つまり文字起こしのすぐ上の層です。

オープンウェイトは今や下の二層を覆っています。ノートが使えるかどうかを決める層は、その上にあります。

音声認識カテゴリで最も求められているモデルが、音声を認識していません。認識器が答えずに残した問いに答えています。これはクローズド側の市場を見たときに至った結論と同じです。あのとき、世界最高スコアのモデルは話者ラベルなしで出荷されました。まったく違う二つの視点から、同じ発見です。言葉を聞き取る部分は、すでに解けています。

結論

オープンウェイト音声認識について面白い問いは、そもそも「クローズドのモデルと同じくらい良いのか」ではありませんでした。単語誤り率で約1ポイント差まで来ており、より速く、4倍から12倍安く、ノートPCに収まります。面白い問いは、文字起こしが借りる費用項目であることをやめたときに空く場所に、何を建てるのかです。52言語を聞き取る1.56GBのファイルは製品ではありません。たったいま無料になった部品です。

モデルではなく会議ノートのツールを選ぶチームにとって、読むべきことは短いです。ある製品がオープンモデルを使うかクローズドAPIを使うかは、いまや概ね実装の詳細であり、次第に両方になるでしょう。量をこなす部分はオープンウェイトで、話者分離やストリーミングや規模が値段に見合う場所はホスティングAPIで。Telli.shはすでに要約層でオープンモデルを動かしているので、オープン側の改善が文字起こし、翻訳、会議ノートへ値上げなしにそのまま流れ込みます。ツールは最後に出てくる成果物で判断してください。そのノートが、誰が何をやると決めたのかを伝えているかどうかで。

ライブAIノートを始める

出典

• Qwen3-ASR-0.6B-hf モデルカード (Hugging Face) — ライセンス、対応言語、2026年6月26日付のリーダーボード数値
• Qwen3-ASR-1.7B-hf モデルカード (Hugging Face)
• Qwen3-ForcedAligner-0.6B (Hugging Face)
• Qwen3-ASR Technical Report, arXiv:2601.21337 (2026年1月29日提出)
• OpenAI Whisper リポジトリ (MIT, 2022年9月16日公開)
• whisper.cpp / faster-whisper
• NVIDIA parakeet-tdt-0.6b-v3 モデルカード (CC BY 4.0)
• Mistral Voxtral-Small-24B-2507 (Apache 2.0)
• Artificial Analysis 音声テキスト変換リーダーボード — AA-WER v2、速度と価格は2026年8月5日取得
• Hugging Face Open ASR Leaderboard
• Deepgram 話者分離ドキュメント
• Wikimedia Commons 画像ページ