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。
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-ASR | Voxtral Realtime |
|---|---|---|
| 開発元 | Alibaba Qwen | Mistral 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。