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。

  • 更新日

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-turboNemotron 3.5 Transcribe
開発元OpenAINVIDIA
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。

Whisper large-v3-turbo · Nemotron 3.5 Transcribe