Whisper large-v3-turbo vs Nemotron 3.5 Transcribe:どちらを使う?
Whisper large-v3-turbo は小型でサポートは広範。Nemotron 3.5 Transcribe は話者ラベルとプロンプトで制御するスタイルを追加。メモリ、言語、ライセンスを比較。
結論. Whisper large-v3-turbo は小型でサポートの厚いデフォルト選択です。MIT ライセンス、必要 GPU メモリ約 6 GB、多数のコミュニティアプリとランタイム。Nemotron 3.5 Transcribe はより新しく(2026 年 10 月)、はるかに大きく(34B パラメータ、活性 4.3B、NVFP4 版でも約 22 GB)ですが、自然言語で話者ラベル、逐字または整理済みテキスト、翻訳を依頼できます。完成済みの録音のみを処理し、リアルタイム音声には対応しません。両開発者の精度数値はいずれも自社測定なので、自分の音声で試してください。
仕様
| 仕様 | Whisper large-v3-turbo | Nemotron 3.5 Transcribe |
|---|---|---|
| 開発元 | OpenAI | NVIDIA |
| リリース日 | 2024年10月1日 | 2026年10月28日 |
| 総パラメータ数 | 1.54B (large-v3) | 34B (BF16) |
| アクティブパラメータ数 | すべて | 4.3B |
| アーキテクチャ | その他 | エキスパート混合(MoE) |
| コンテキストウィンドウ | – | 64K トークン |
| 入力 | 音声 | 音声, テキスト |
| ライセンス | MIT (パーミッシブ) | OpenMDW-1.1 (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) | 6 GB (large-v3-turbo) | 25 GB (NVFP4) |
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。
Whisper large-v3-turbo を選ぶべきケース
- 最も軽量な選択肢がいい場合。turbo モデルの必要 GPU メモリは約 6 GB で、多くのコミュニティアプリで動きます。
- 字幕用に文単位または単語単位のタイムスタンプが必要な場合。
- MIT ライセンスと最も広いツール対応が欲しい場合。
- 英語への翻訳が必要な場合。turbo モデルは翻訳できないため large-v3 チェックポイントを使います。
Nemotron 3.5 Transcribe を選ぶべきケース
- 話者ラベル(13 言語で利用可能)や、プロンプトで調整できる文字起こしスタイルが必要な場合。
- 医療、法律、技術系の録音を扱え、予期する用語を提供できる場合。
- 翻訳が必要な場合。40 言語のうち 31 言語をカバーします。
- 大容量 GPU を持つ場合(モデルカードは 80 GB の H100 単体を想定、NVFP4 版は約 22 GB)で、最長 1 時間の完成済み録音だけを処理する場合。