ローカルASRモデル
ローカルASRモデル4選：速度・多言語・精度で選ぶ
Owl MeetingでCPU実行する4モデルを、低遅延リアルタイムと高精度オフラインの用途別に比較します。
4つのローカルASRモデルの違い
Owl Meetingで使用する4つの音声認識モデルは、いずれもオリジナル版からCPU向けのONNX形式へ変換し、Windowsでのローカル実行に最適化しています。専用GPUは不要で、一般的なPCでもCPUを使ってリアルタイム認識やオフライン文字起こしを高速に処理でき、認識処理と録音は端末内に保持されます。
| モデル | 強み | 言語 | ローカル容量 | 推奨用途 |
|---|---|---|---|---|
| SenseVoiceSmall | 速度 | 普通話、広東語、英語、日本語、韓国語 | 量子化230 MB / 標準900 MB | ライブ字幕と低遅延会議 |
| Parakeet TDT 0.6B v3 | 速度＋多言語 | 欧州25言語と自動言語検出 | 約850 MB | 欧州多言語のリアルタイム認識 |
| FireRedASR2-AED | 中国語精度 | 普通話、中国語方言/訛り、英語、コードスイッチ | 約1.6 GB、句読点モデル約390 MB追加 | 中国語・方言の高精度オフライン |
| Qwen3-ASR-0.6B | 精度＋多言語 | 30言語と22の中国語方言 | 約895 MB | 多言語・方言の高精度オフライン |
SenseVoiceSmall
速度
Owl Meeting · Model 1
SenseVoiceSmallは非自己回帰型で、普通話、広東語、英語、日本語、韓国語を低遅延で文字起こしします。
対応言語・方言
Mandarin (zh)、Cantonese (yue)、英語 (en)、日本語 (ja)、韓国語 (ko)
Parakeet TDT 0.6B v3
速度＋多言語
Owl Meeting · Model 3
Parakeet TDT 0.6B v3はFastConformer-TDTを使い、ライブ速度と英語・欧州言語の範囲を両立します。
対応言語・方言
ブルガリア語 (bg)、クロアチア語 (hr)、チェコ語 (cs)、デンマーク語 (da)、オランダ語 (nl)、英語 (en)、エストニア語 (et)、フィンランド語 (fi)、フランス語 (fr)、ドイツ語 (de)、ギリシャ語 (el)、ハンガリー語 (hu)、イタリア語 (it)、ラトビア語 (lv)、リトアニア語 (lt)、マルタ語 (mt)、ポーランド語 (pl)、ポルトガル語 (pt)、ルーマニア語 (ro)、スロバキア語 (sk)、スロベニア語 (sl)、スペイン語 (es)、スウェーデン語 (sv)、ロシア語 (ru)、ウクライナ語 (uk)
FireRedASR2-AED
中国語精度
Owl Meeting · Model 2
FireRedASR2-AEDは普通話、中国語方言、英語、コードスイッチの高精度オフライン文字起こし向けです。
対応言語・方言
Mandarin (zh)、英語 (en)
中国語の方言・アクセント: Cantonese (Hong Kong and Guangdong)、Sichuan、Shanghai、Wu、Minnan、Anhui、Fujian、Gansu、Guizhou、Hebei、Henan、Hubei、Hunan、Jiangxi、Liaoning、Ningxia、Shaanxi、Shanxi、Shandong、Tianjin、Yunnan, and others
Qwen3-ASR-0.6B
精度＋多言語
Owl Meeting · Model 4
Qwen3-ASR-0.6Bはサイズ、精度、言語範囲のバランスがよく、丁寧なオフライン文字起こし向けです。
対応言語・方言
Chinese (zh)、英語 (en)、Cantonese (yue)、アラビア語 (ar)、ドイツ語 (de)、フランス語 (fr)、スペイン語 (es)、ポルトガル語 (pt)、インドネシア語 (id)、イタリア語 (it)、韓国語 (ko)、ロシア語 (ru)、タイ語 (th)、ベトナム語 (vi)、日本語 (ja)、トルコ語 (tr)、ヒンディー語 (hi)、マレー語 (ms)、オランダ語 (nl)、スウェーデン語 (sv)、デンマーク語 (da)、フィンランド語 (fi)、ポーランド語 (pl)、チェコ語 (cs)、フィリピノ語 (fil)、ペルシア語 (fa)、ギリシャ語 (el)、ハンガリー語 (hu)、マケドニア語 (mk)、ルーマニア語 (ro)
中国語の方言・アクセント: Anhui、Dongbei、Fujian、Gansu、Guizhou、Hebei、Henan、Hubei、Hunan、Jiangxi、Ningxia、Shandong、Shaanxi、Shanxi、Sichuan、Tianjin、Yunnan、Zhejiang、Cantonese (Hong Kong accent)、Cantonese (Guangdong accent)、Wu、Minnan
リアルタイム：SenseVoiceとParakeet
ライブ認識では最終WERだけでなく、継続的な遅延と途中結果の安定性が重要です。中英日韩で速度優先ならSenseVoice、欧州多言語ならParakeetが出発点です。
高精度オフライン：FireRedASRとQwen3
FireRedASR2-AEDは普通話、方言、訛り、中英混在に強く、普通話4ベンチマーク平均CER 3.05%、方言・訛り19ベンチマーク平均CER 11.67%です。
Qwen3-ASR-0.6Bは精度と広い言語範囲を両立し、30言語と22の中国語方言を扱います。
実用的な初期選択
- リアルタイム、中英日韩、速度：SenseVoiceSmall。
- リアルタイム、英語・欧州多言語：Parakeet TDT 0.6B v3。
- オフライン、中国語・方言：FireRedASR2-AED。
- オフライン、精度と広い多言語：Qwen3-ASR-0.6B。