Qwen3-ASR vs Voxtral Realtime:どちらのストリーミング音声認識モデルを使うべき?

Qwen3-ASR は 30 言語と 22 の中国語方言にタイムスタンプ付きで対応。Voxtral Realtime は 4B の単一モデルで、遅延は 80 ミリ秒〜2.4 秒。言語とレイテンシで比較しましょう。

  • 更新日

結論. どちらもストリーミング対応の Apache 2.0 音声認識モデルなので、言語と提供方法で選びましょう。Qwen3-ASR には 1.7B と 0.6B の 2 サイズがあり、30 言語と 22 の中国語方言をカバーし、歌の文字起こしもでき、単語タイムスタンプ用の強制アライナーを備えます。Voxtral Mini Realtime は 13 言語向けの 4B 単一モデルで、遅延を 80 ミリ秒〜2.4 秒の間で設定できます。Mistral の表では、平均エラー率は 160 ミリ秒で 12.60%、480 ミリ秒で 8.72% です。どちらのモデルカードも話者ラベルには触れておらず、両開発者の精度主張はそれぞれ独自のものです。

仕様

仕様 Qwen3-ASRVoxtral Realtime
開発元Alibaba QwenMistral AI
リリース日2026年1月29日2026年2月4日
総パラメータ数2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
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デンス
コンテキストウィンドウ–128K トークン
入力音声音声
ライセンス Apache 2.0 (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)2.12 GB (ForcedAligner 0.6B (timestamps))10 GB (Voxtral Mini 4B Realtime)

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。

Qwen3-ASR を選ぶべきケース

  • 音声が中国語で、地方方言や歌を含む場合。
  • 字幕用に単語や文字単位のタイムスタンプが必要な場合。
  • 大量バッチ処理に小さく速い 0.6B モデルを使いたい場合。
  • Voxtral の 13 言語以外の言語が必要な場合。

Voxtral Realtime を選ぶべきケース

  • ライブ字幕や音声アシスタントに使い、遅延を自分で設定したい場合。
  • Apache 2.0 の 4B モデル 1 つでプライベートまたはオンデバイス構成を組みたい場合。
  • 13 の広く話される言語で十分な場合。
  • モデルカードが推奨する vLLM と websocket ストリーミングを利用できる場合。

Qwen3-ASR · Voxtral Realtime