Parakeet TDT 0.6B v3 と Cohere Transcribe の比較:どちらを使うべきか?
Parakeet v3 は 25 の欧州言語をタイムスタンプ付きでカバーし、CC BY 4.0。Cohere Transcribe は中国語・日本語・韓国語を含む 14 言語を Apache 2.0 でカバーします。
結論. まず言語、次にタイムスタンプが必要かどうかで選びましょう。Parakeet TDT 0.6B v3 は 25 の欧州言語を文字起こしし、言語を自動検出し、句読点と単語レベルのタイムスタンプを付けます。NVIDIA の NeMo でも Transformers でも動き、80 GB GPU なら 1 回で最長 24 分の音声を処理できます。中国語・日本語・韓国語・アラビア語はなく、CC BY 4.0 ライセンスでは NVIDIA へのクレジット表記が必要です。Cohere Transcribe(2.07B)は中国標準語、日本語、韓国語、アラビア語を含む 14 言語を Apache 2.0 でカバーします。Cohere は 2026 年 3 月の英語 Open ASR リーダーボードで平均単語誤り率 5.42% を報告し、NVIDIA は同じ英語データセット群で Parakeet について 6.34% を報告しています。2 つの数値は開発者がそれぞれ別の時期に測ったものなので、大まかな目安にすぎません。Cohere Transcribe には言語検出・タイムスタンプ・話者ラベルがなく、Hugging Face は重みを公開する前に連絡先の入力を求めます。
仕様
| 仕様 | Parakeet TDT 0.6B v3 | Cohere Transcribe |
|---|---|---|
| 開発元 | NVIDIA | Cohere |
| リリース日 | 2025年8月14日 | 2026年3月26日 |
| 総パラメータ数 | 627M (Parakeet TDT 0.6B v3) | 2.07B (Cohere Transcribe 03-2026) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | その他 | その他 |
| コンテキストウィンドウ | – | – |
| 入力 | 音声 | 音声 |
| ライセンス | CC BY 4.0 (パーミッシブ) | Apache 2.0 (パーミッシブ) |
| 最小バリエーションの必要メモリ(4ビット) | 2.89 GB (Parakeet TDT 0.6B v3) | 4.75 GB (Cohere Transcribe 03-2026) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
Parakeet TDT 0.6B v3 を選ぶべきケース
- 欧州言語を文字起こしし、言語の自動検出が欲しい場合。
- 字幕や検索のために単語レベルのタイムスタンプが必要な場合。
- より小さい 0.6B モデルが欲しい場合。NeMo-Speech.cpp 向けに 0.71 GB の 8 ビット GGUF ファイルがあります。
- CC BY 4.0 で NVIDIA へのクレジットを表記し、NVIDIA GPU を載せた Linux で動かせる場合。
Cohere Transcribe を選ぶべきケース
- 中国語、日本語、韓国語、アラビア語が必要な場合。Parakeet v3 はカバーしていません。
- クレジット表記不要の Apache 2.0 が欲しい場合。
- 言語が事前に分かっていて、リーダーボード平均の英語精度を最重視する場合。
- 長い録音をバッチで文字起こしする場合。Cohere によればオフラインのスループットは同規模の専用認識エンジンの最大 3 倍です。