Macの音声入力でのParakeetとWhisperの比較：NVIDIAのモデルとOpenAIのモデル

著者 · 公開日

ParakeetとWhisperの違いは、言語と速度のどちらを取るかに行き着きます。NVIDIAのParakeet TDT 0.6B v3は、600 million パラメータの音声認識モデルで、25のヨーロッパの言語に対応し、NVIDIAが高いスループットを目指して作りました。OpenAIのWhisper Large v3 Turboは多言語のモデルで、対応する多くの言語がモデルカードに名前で挙げられています。どちらも、音声入力アプリの中でMac上でローカルに動かすことができ、どちらも句読点を付け、自分のマシンで動かしているかぎり、声をどこにも送りません。

私は、Whisperだけを動かす無料のMac用音声入力アプリ、YapToTextを作っています。Parakeetは提供していないので、以下はその点をふまえて読んでください。手でキーボードを打つことが難しく、毎日音声入力をしているので、このアプリを作りました。ここにあるParakeetの事実はNVIDIA自身のモデルカード、論文、ブログから、Whisperの事実はOpenAI自身のページから、Macアプリの事実は各アプリ自身のサイトからのものです。このページにある速度や精度の数字に、私自身のものはありません。

Mac App StoreでYapToTextをダウンロード無料でダウンロードできます。アカウント不要で、機能の制限もありません。AppleシリコンのMac、macOS 14以降に対応しています。 ソースコードはGitHubにあります。

ほかの言語で読む： English, Čeština, Deutsch, Español, Français, Magyar, Bahasa Indonesia, Italiano, 한국어, Nederlands, Polski, Português, Русский, ไทย, Türkçe, Tiếng Việt, 简体中文, 繁體中文

手順

  1. 実際に言う文を5つ書き出します。いつも間違う名前を1つ入れ、音声入力する言語ごとに1文ずつ入れます。
  2. HandyやVoiceInkなど、Parakeet V3を提供するアプリで、AIによる整形をオフにして音声入力し、直す必要がある語を数えます。
  3. そのアプリを終了し、同じ文をYapToTextで、話している間に2を押して <span lang="en">Raw Transcription</span> にして音声入力し、直す数を同じ方法で数えます。
  4. YapToTextの <span lang="en">History</span> で <span lang="en">Show pipeline details</span> をクリックし、自分のMacで文字起こしにかかった時間を見て、もう一方のアプリと比べます。

2つのモデルと2つの作り手

2つの名前はブランド名のように使われているので、人々がどのファイルを指しているのか、はっきりさせておくと役立ちます。Parakeet V3とWhisper Large v3 Turboは、今のMac用音声入力アプリの多くが選択肢として示す、2つのローカルモデルです。

  • Parakeet TDT 0.6B v3。 Hugging Face上のNVIDIAのモデルカードは、これを600 million パラメータの多言語音声認識モデルで、高スループットの音声文字起こしのために設計されたものと説明しています。Parakeet TDT 0.6B v2を、英語から25のヨーロッパの言語に拡張したものです。TDTはToken-and-Duration Transducerの略で、FastConformerエンコーダの後ろにあるデコーダを指します。NVIDIAはCC BY 4.0ライセンスで公開しています。
  • Parakeet V2。 v3の元になった、英語専用のモデルです。VoiceInkのドキュメントは、英語だけで音声入力する場合は、Parakeet V2かParakeet Unifiedを勧めています。
  • Whisper Large v3 Turbo。 OpenAIはWhisperを、多様な音声の大規模データセットで学習された汎用の音声認識モデルと呼び、turboをlarge-v3の最適化版で、精度の低下を最小限にして文字起こしが速いものと説明しています。OpenAIはturboを809 million パラメータとして挙げていて、Whisperのコードと重みをMITライセンスで公開しました。
  • YapToTextが動かすもの。 標準のWhisper Large v3 Turbo (Q5)のファイル（574 MB）を、MetalとAccelerateでビルドしたwhisper.cppのコピーで動かします。そのファイルについては、Mac用Whisperのページ でくわしく説明しています。

名前が隠していることが1つあります。Parakeetのモデルカードは、NVIDIAのNeMoツールキットでの実行を説明していて、ハードウェアとして、AmpereやHopperなどのNVIDIAのGPUのアーキテクチャを挙げています。AppleシリコンのMacにNVIDIAのGPUはないので、Parakeetを提供するMacのアプリは別の方法で動かす必要があり、その方法は各アプリ自身のドキュメントに書かれています。Mac上のWhisperは、たいていwhisper.cppを指し、そのREADMEはAppleシリコンを最優先の対象と呼んでいます。

並べて比べる

2026年10月5日にHugging FaceのNVIDIAのParakeet TDT 0.6B v3のモデルカードとOpenAIのWhisper Large v3 Turboのモデルカードで、2026年10月3日にOpenAIのWhisperのREADMEとwhisper.cppのREADMEで確認しました。

Parakeet TDT 0.6B v3Whisper Large v3 Turbo
作り手NVIDIAOpenAI
サイズ600 million パラメータ809 million パラメータ
言語25のヨーロッパの言語数十。モデルカードに名前で載っている。OpenAIによると、性能は言語によって大きく異なる
言語の選び方自動で検出し、指定は不要アプリが設定するか、検出する。YapToTextは29の言語と自動検出を提供
句読点と大文字モデルカードによると自動YapToTextでは、普通の話し言葉の句読点を自分で付ける
タイムスタンプモデルカードによると、単語単位と区間単位アプリによる。YapToTextのファイルの文字起こしはプレーンテキストで、タイムスタンプはない
長い音声A100 80GBのGPUでフルアテンションなら1回で最大24分、ローカルアテンションなら最大3時間アプリによる
ライセンスCC BY 4.0MIT
動かす前提NVIDIAのGPU上のNVIDIA NeMoツールキット動かせるものなら何でも。whisper.cppはAppleシリコンを最優先として扱う

音声入力にとって重要なのは2行です。言語は、Parakeetがそもそも自分の声を聞き取れるかどうかを決め、実行環境は、どちらもMac上でどのくらい速く感じるかを決めます。Parakeetは、より対象が狭く、速さを重視して作られたモデルです。Whisperは、より対象が広いモデルです。

速度と精度：作り手が測ったこと

ParakeetとWhisperの比較で引用される数字は、作り手とリーダーボードから来ているので、何を測ったのかをそのまま示します。このセクションの数字はすべて、NVIDIAまたはOpenAIの測定であって、私のものではありません。

2026年10月5日に、arXivのNVIDIAの論文とNVIDIAのブログで確認しました。

  • NVIDIAによる精度。 NVIDIAの論文「Canary-1B-v2 & Parakeet-TDT-0.6B-v3」は、Hugging FaceのOpen ASR Leaderboardのテストセット（LibriSpeech、AMI、Earnings-22など）で、英語の音声認識を比べています。Parakeet TDT 0.6B v3の平均の単語誤り率は、Whisper large-v3より低いと報告されています。単語誤り率はモデルが間違えた単語の割合なので、低いほうが良い結果です。数字そのものは論文にあり、出典に載せています。
  • NVIDIAによる速度。 同じ表では、ParakeetのRTFxは3,332.74で、Whisper large-v3よりはるかに高い値です。NVIDIAのブログは、そのリーダーボードでのスループットを、文字起こしした音声の長さを計算時間で割ったものと定義していて、Parakeet v3は、そこにある多言語モデルの中で最も高いスループットだと述べています。
  • OpenAIによるturbo。 論文の行はWhisper large-v3であって、turboではありません。OpenAIはturboを、largeの約8倍の速度で、精度の低下は最小限と評価していて、測定はMacではなく、A100のGPUで行われました。

これらの数字は、4つの制限を頭に置いて読んでください。英語のテストセットなので、ポーランド語や日本語については何もわかりません。NVIDIAのハードウェアで測定されたもので、Macのアプリはどちらのモデルも、多くの場合は変換されたファイルで、Appleシリコン上で動かすため、速度の比はそのままでは当てはまりません。比べているのはlarge-v3であり、YapToTextが搭載している5ビットのturboのファイルではありません。そして、音声入力は1人の声の数秒であって、ベンチマークの録音ではありません。

作り上げられた言葉については、NVIDIAの論文に、ハルシネーションを減らすために、学習データに音声以外の音を加えたと書かれています。OpenAIのWhisperのモデルカードは、Whisperが実際には話されていないテキストを出力することがあると述べていて、その理由とYapToTextの対処は Whisperのハルシネーションのガイド で説明しています。この点で2つを並べて測定した出典は見つからなかったので、どちらが良いとも主張しません。

パイプラインの詳細を開いたYapToTextのHistoryの項目。元の文字起こし、整形後の文字起こし、モード、配信、対象のアプリ、所要時間が表示されている。
図1. 大事な速度の数字は、自分のMacでの数字です。Historyは、各音声入力の停止からテキストになるまでの時間を、文字起こし、AIによる整形、配信に分けて示します。

それぞれが聞き取れる言語

ほとんどの人にとって、選択は速度が問題になる前に、ここで決まります。Parakeetが自分の言語を挙げていなければ、それは自分のモデルではありません。

NVIDIAのモデルカードが挙げている25は次のとおりです。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。YapToTextの Language の選択メニューにある29の言語と、次のように重なります。

  • 両方にあるもの。 チェコ語、デンマーク語、オランダ語、英語、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、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、スペイン語、スウェーデン語、ウクライナ語。
  • YapToTextの選択メニューにだけあるもの。 アラビア語、中国語、ヘブライ語、ヒンディー語、インドネシア語、日本語、韓国語、ノルウェー語（ブークモール）、タイ語、トルコ語、ベトナム語。
  • Parakeet v3にだけあるもの。 ブルガリア語、クロアチア語、エストニア語、ラトビア語、リトアニア語、マルタ語、スロベニア語。Whisperのモデルカードには7つすべてが載っていますが、YapToTextの選択メニューにはなく、私は選択メニューにあるものだけを主張します。

複数の言語で音声入力する場合には、さらに2つの違いが出ます。Parakeetは言語を自分で検出します。YapToTextは音声入力ごとに、選択メニューか自動検出で1つの言語を設定し、変更は次の音声入力から有効になります。言語をアプリやショートカットに結び付ける方法は、言語のガイド にあります。

Parakeetを動かすMacアプリと、YapToTextの立場

今では多くのMac用音声入力アプリが、Whisperと並んでParakeetを提供していて、このサイトの比較ページでは、どれがそうなのかをすでに追っています。今日MacでParakeetを使いたいなら、使えるのはこれらのアプリのどれかで、YapToTextではありません。

2026年10月3日に、各アプリ自身のサイト、ドキュメント、リポジトリで確認しました。

アプリParakeetWhisper価格
VoiceInkセットアップでは初期設定でParakeet V3。英語だけならParakeet V2かParakeet Unifiedあり7日間の体験、そのあとMac1台で$25の買い切り
SpokenlyローカルのParakeetモデル、無料あり、無料ローカルモデルは無料。Proは月$9.99
superwhisperProのみあり、無料プランで無料プラン。Proは月$8.49
HandyParakeet V3Small、Medium、Turbo、Large無料、MITライセンス
OpenWhisprあり、ローカルモデルの1つとしてありローカルの音声入力は無料
FluidVoiceあり、Nemotronもあり無料、GPL-3.0
YapToTextなしLarge v3 Turbo (Q5)が入っていて、ライブラリにさらに10個無料

詳しいページは、VoiceInkとの比較、Spokenlyとの比較、superwhisperとの比較、そしてHandy、OpenWhispr、FluidVoiceを扱う オープンソースの音声入力アプリのまとめ です。

YapToTextでは、モデルの選択は AI Models ページにあります。Dictation Model Library には、付属のもの以外に10個のWhisperモデルがあり、Your own models の Add Model は、whisper.cppの.binファイルかllama.cppの.ggufファイルを受け付け、それ以外は拒否します。そのため、Parakeetのファイルは読み込めません。AIモデルのガイド に、すべてのモデルがアプリに表示されるサイズ付きで載っています。

YapToTextのAI Modelsページ。Whisper Large v3 Turbo (Q5)とPhi-3.5 Mini Instructに Included と表示され、その下にモデルライブラリがある。
図2. YapToTextのDictation Model LibraryにあるのはWhisperのモデルだけで、Tiny (English)からLarge v3まであり、ダウンロードの前にそれぞれのサイズが表示されます。

どちらを選ぶべきか

私ならこう選びます。答えが私のアプリでない場合も、正直に言います。まず自分の言語でモデルを選び、次にMacの速さで選んでください。

Parakeetのアプリが合うかもしれない場合

  • ヨーロッパの言語だけで音声入力する。 特に、その1つがブルガリア語、クロアチア語、エストニア語、ラトビア語、リトアニア語、マルタ語、スロベニア語で、YapToTextの選択メニューにないものならそうです。
  • いちばん気になるのが速度。 NVIDIAはスループットを重視して作っていて、論文の数字もその方向を示しています。信じる前に、自分のMacで測ってください。
  • ヨーロッパの言語を頻繁に切り替える。 Parakeetは言語を自分で検出するので、変更する選択メニューがありません。
  • ファイルに単語ごとのタイムスタンプがほしい。 モデルカードには単語単位のタイムスタンプが載っていますが、実際に見えるかどうかはアプリによります。

Whisperが合うかもしれない場合

  • ヨーロッパの言語以外で音声入力する。 日本語、中国語、韓国語、ヒンディー語、アラビア語、ヘブライ語、タイ語、ベトナム語、インドネシア語、トルコ語、ノルウェー語（ブークモール）は、YapToTextの選択メニューにありますが、Parakeet v3の一覧にはありません。
  • サイズを選びたい。 WhisperはTinyからLargeまであるので、精度とバッテリーやメモリを引き換えにできます。Energyページ の Switch models with the power source なら、バッテリー駆動のときは、軽いモデルを動かすこともできます。
  • 設定なしで使いたい。 YapToTextのApp Store版にはWhisperが入っていて、最初の起動からオフラインで動きます。
  • 自分で動かしたい。 whisper.cppはIntelとAppleシリコンのMacを対応として挙げていて、ローカルWhisperのガイド にコマンドがあります。

音声入力では、翻訳は決め手になりません。YapToTextがWhisperに頼むのは文字起こしだけで、OpenAIはturboは翻訳のために学習されていないとも述べています。WhisperをMac自身のエンジンと比べたい場合は、Appleの音声入力とWhisperの比較 で、その組み合わせを説明しています。

自分の声で両方を試す

公平なテストは、自分の声、自分の文、自分のMacを使うものだけです。約十五分かかります。元のまま同士を比べると、整形モデルの手柄にも責任にもなりません。

手順1：実際に言う文を5つ書き出す

  • 操作: 毎週送る文を選びます。いつも間違う名前を1つ以上含め、音声入力する言語ごとに1文ずつ入れます。
  • 確認: 自然な速さになるよう、一度声に出して読みます。

手順2：Parakeetで音声入力する

  • 操作: Parakeet V3を提供するアプリ（無料のHandyや、セットアップで初期設定でParakeet V3をダウンロードするVoiceInkなど）で、Parakeet V3を選び、アプリにあるAIによる整形をオフにします。5つの文をメモに向かって話します。
  • 確認: 直す必要がある語を数え、そのあとそのアプリを終了して、音声入力のキーに反応するアプリが1つだけになるようにします。

手順3：YapToTextのWhisperで音声入力する

  • 操作: Mac App StoreからYapToTextを入手します。メモをクリックし、Right Command を軽く押し、話している間に 2 を押して Raw Transcription にし、同じ文を話して、もう一度軽く押します。
  • YapToText: 整形モデルを使わず、Whisperが聞き取ったとおりに入力します。
  • 確認: 直す数を同じ方法で数えます。起動後の最初の音声入力は、モデルの読み込みで少し待つので、2回目の時間を測ります。

手順4：自分のMacで速度を比べる

  • 操作: YapToTextで History を開き、その音声入力を見つけて、Show pipeline details をクリックします。
  • YapToText: 停止からテキストになるまでの時間を、文字起こし、AIによる整形、配信に分けて表示します。
  • 確認: 文字起こしの行が、自分のMacでのWhisperの時間です。もう一方のアプリが同じ文を入力するのにかかった時間と比べます。

Whisperが名前を聞き間違え続けるなら、決める前に Dictionaries ページに追加してください。各項目は、綴りを直すだけでなく、その語をあらかじめWhisperに伝えます。

それぞれにできないこと

Parakeet TDT 0.6B v3

  • 25以外の言語を聞き取ること。 日本語、中国語、アラビア語、ヒンディー語などは、その一覧にありません。
  • Mac上で単独で動くこと。 モデルカードが説明しているのはNVIDIAのGPU上のNVIDIA NeMoツールキットなので、Macではアプリを通して使います。
  • YapToTextの中で動くこと。 YapToTextが動かすのはWhisperのモデルだけで、Add Model はwhisper.cppかllama.cppのファイルでないものを拒否します。

Whisper Large v3 Turbo

  • すべての言語を同じように聞き取ること。 OpenAIは、性能は言語によって大きく異なると述べています。
  • 翻訳すること。 OpenAIは、turboは翻訳のために学習されていないと述べています。
  • 言葉を作り上げないと約束すること。 OpenAIのモデルカードは、話されていないテキストを出力することがあると述べていて、YapToTextがそれを防ぐ理由もそこにあります。
  • IntelのMacでYapToTextを動かすこと。 YapToTextにはAppleシリコンとmacOS 14以降が必要ですが、whisper.cpp自体はIntel Macに対応しています。

どちらのモデルもすべてはできません。音声入力の使い心地を決めるのは、その周りのアプリです。私はどちらのモデルもベンチマークにかけておらず、どのモデルについても精度のパーセントは公開していません。

まとめ

  • Parakeet。 NVIDIAの600 million パラメータのモデルで、25のヨーロッパの言語に対応し、スループットを重視して作られ、CC BY 4.0です。
  • Whisper。 OpenAIのMITライセンスのモデルで、turboのモデルカードには数十の言語が載っていて、サイズはTinyからLargeまであります。
  • 数字。 NVIDIAの論文は、英語のテストセットでParakeetをWhisper large-v3より上に、スループットではるかに上に置いています。それらはNVIDIAの測定であって、私のものではありません。
  • Macでは。 VoiceInk、Spokenly、superwhisperのPro、Handy、OpenWhispr、FluidVoiceがParakeetを提供しています。YapToTextが動かすのはWhisperだけです。

ヨーロッパの言語と純粋な速さならParakeet、それ以外のすべての言語と、モデルが入った無料のアプリならWhisperです。

自分の声で両方をテストして、ここに書かれていることがわかったことと合わなければ、GitHubでissueを作成してください。すべて読んでいます。

Mac App StoreでYapToTextをダウンロード無料でダウンロードできます。アカウント不要で、機能の制限もありません。AppleシリコンのMac、macOS 14以降に対応しています。 ソースコードはGitHubにあります。

このページを書いた人。 Ryleigh Newmanはソフトウェアを開発しています。手でキーボードを打つことが難しいため、このサイトで紹介しているアプリ、YapToTextで毎日音声入力をしています。このページは英語から翻訳したものです。アプリの画面とサイトのほかのページは英語です。 プロジェクトについて（英語）。

ガイド

そのほかのガイド（英語）

出典

よくある質問

ParakeetはWhisperより優れていますか

言語によります。NVIDIA自身の論文は、英語のテストセットで、Parakeet TDT 0.6B v3がWhisper large-v3より低い平均の単語誤り率と、はるかに高いスループットだと報告しています。ただしParakeet v3が対応するのは25のヨーロッパの言語で、Whisperのturboのモデルカードにはさらに数十の言語が載っています。自分の文で両方をテストしてください。

MacでParakeetを使えますか

はい。音声入力アプリを通して使えます。VoiceInk、Spokenly、Handy、OpenWhispr、FluidVoiceがParakeetのモデルを提供していて、superwhisperではProで提供されます。YapToTextにはありません。動かすのはWhisperだけです。

Parakeet V3はどの言語に対応していますか

NVIDIAのモデルカードには、25のヨーロッパの言語が載っています。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。言語は自動で検出されます。

ParakeetはWhisperより速いですか

NVIDIAの測定ではそうです。その論文では、Parakeet TDT 0.6B v3のRTFxは3,332.74で、Whisper large-v3よりはるかに高く、NVIDIAが自社のハードウェアで測定したものです。自分のMacでどちらが速く感じるかはアプリによるので、何回か音声入力の時間を自分で測ってください。

YapToTextはParakeetに対応していますか

いいえ。YapToTextは初期設定でWhisper Large v3 Turbo (Q5)を動かし、ライブラリにさらに10個のWhisperモデルがあり、Add Modelのボタンが受け付けるのはwhisper.cppとllama.cppのファイルだけです。

Parakeetは無料で公開されていますか

NVIDIAはParakeet TDT 0.6B v3を、CC BY 4.0ライセンスでHugging Faceに公開しています。Whisperのコードと重みはMITライセンスです。