asrbenchmark

【2026年最新】日本語ASRモデル比較：Whisper・Qwen3・Voxtral・ReazonSpeechをRTX5090で徹底ベンチマーク

February 26, 2026

この記事でわかること： 8種類の日本語音声認識（ASR）モデルを同一条件でベンチマークした一次データを公開。WER・CER・RTFで比較し、「どの用途にどのモデルが最適か」を実体験から解説します。

要約

RTX5090を使って20本（計29秒×20 = 約10分）の自然会話音声を使い、8つのASRモデルを評価しました。総合的な精度・安定性ではopenai/whisper-large-v3-turboとqwen/qwen3-asr-1.7bが頭一つ抜け出しています。 速度最優先ならnvidia/parakeet-tdt-0.6b-v3（RTF=0.002）、日本語特化のドメイン適応ならreazon-research/reazonspeech-espnet-v2が有力な選択肢です。

モデル	WER↓	CER↓	RTF↓	総合評価
qwen3-asr-1.7b	0.1899	0.1473	0.034	⭐⭐⭐⭐⭐
whisper-large-v3-turbo	0.2099	0.1782	0.012	⭐⭐⭐⭐⭐
reazonspeech-espnet-v2	0.2342	0.2007	0.589	⭐⭐⭐⭐
voxtral-mini-4b	0.2437	0.2187	0.207	⭐⭐⭐
parakeet-tdt-0.6b-v3	0.3465	0.3235	0.002	⭐⭐⭐
reazonspeech-nemo-v2	0.3546	0.3346	0.020	⭐⭐⭐
reazonspeech-k2-v2	0.4636	0.4486	0.026	⭐⭐
kotoba-whisper-v2.0	0.5402	0.5050	0.008	⭐

テスト環境と評価データについて

ハードウェア・設定

text

GPU: RTX5090
temperature: 0.0
max_new_tokens: 512
language: ja

テストデータセット（20本・各29秒）

このベンチマークが表面的なまとめ記事と異なる最大の理由は、実際のメディア音声を使っているという点です。

ニュース読み上げ： 標準的なアナウンサー発話
エンタメ（お笑い・バラエティ）： フィラー・笑い声・早口が混在
ドラマ・アニメ： 感情的な発声、スラング（「てめぇ」「ババー！」等）
ビジネス・リアリティショー： 複数話者の重なり

複数話者の重なりや笑い声のノイズを含むことで、実運用に近い難しいシナリオを再現しています。

指標の説明（見慣れない単語の解説）

WER（Word Error Rate：単語誤り率）

text

WER = (置換 + 削除 + 挿入) / 参照単語数

値が小さいほど精度が高い。日本語は英語と違ってスペースで単語が区切られないため、MeCab（形態素解析器）で分かち書きしてからWERを計算しています。また、句読点（、。！？）や記号はモデルごとに付け方が異なるため、評価前にすべて除去して公平な比較を実現しています。詳細は「再現方法」セクションをご覧ください。

CER（Character Error Rate：文字誤り率）

文字単位での誤り率。日本語評価ではWERより信頼性が高いとされます。今回の結果でもWERとCERの順位はほぼ一致しており、両指標の整合性が確認できました。

RTF（Real-Time Factor：リアルタイム係数）

text

RTF = 処理時間 / 音声の長さ

RTF < 1.0 でリアルタイム処理可能。RTF=0.002のparakeetは、29秒の音声を約0.06秒で処理する計算になります。

各モデルの詳細分析

🥇 qwen/qwen3-asr-1.7b — 最高精度（WER: 0.1899）

このモデルの最大の特徴は「補完能力」です。

単なる音の置き換えではなく、文章として成立するように文脈を補完します。息継ぎのタイミングに合わせて句読点が打たれており、まるで書き起こし記者が書いたような仕上がりです。

実際の出力例（具体的な差異）：

フィラー（「えー」「あの」）を適切に間引きつつ、重要な助詞は保持
20本中、WERが0.5を超えたのは1本のみ。それ以外は0.2以内と安定性が際立っています

注意点：

ネットスラングや固有名詞で「空耳」（独自解釈）が発生することがある
平均処理時間0.99秒（RTF=0.034）と、whisperの約3倍の処理時間

🥈 openai/whisper-large-v3-turbo — 安定の汎用性（WER: 0.2099）

群を抜く文脈理解力が強みです。

ReazonSpeech系列が沈黙したり後半を切り捨てていた雑談パートを、ほぼ完璧に書き起こしました。

強み：

フィラーを適宜間引きながら、助詞を補完して文章を成立させる
複数話者・ノイズ混在でも崩れにくい

弱点：Hallucination（幻覚）

Whisperには音声のない場所で存在しない文章を生成する「幻覚」現象があります。今回は参照に存在しない「私」という単語が末尾に付加されました。長時間音声での運用時は後処理で検知する仕組みが必要です。

reazon-research/reazonspeech-espnet-v2 — 日本語ドメイン適応（WER: 0.2342）

日本のメディア放送データで学習されており、「トー横」（東横の俗称） のような地名と俗称を文脈で切り分ける能力が実証されました。これはニュース・報道用途で大きなアドバンテージです。

感嘆符（！）・疑問符（？）を積極的に使用し、会話の勢いや感情を再現しようとする傾向があります。

弱点：

RTF=0.589と最も遅い（29秒の音声に約17秒かかる）
フィラーを積極的にカットするため、フィラー保持が必要な用途には不向き

mistralai/voxtral-mini-4b-realtime-2602 — 読みやすさ優先（WER: 0.2437）

音声の忠実な再現より「読みやすさ」を優先する設計が明確です。

具体例：

ぐらい → くらい（表記統一）
っていうか → というのか（口語を書き言葉に変換）

字幕制作や議事録など、可読性が重要な用途に向いています。

重大な懸念点： 1本のファイルでアラビア語のような文字列が突然出力されました。本番運用では言語検証のバリデーション処理が必須です。

nvidia/parakeet-tdt-0.6b-v3 — 超高速処理（RTF: 0.002）

RTF=0.002は今回のベンチマーク最速。 29秒の音声を約0.06秒で処理します。

TDT（Transducer with Dynamic Time Alignment）アーキテクチャの特性上、エネルギーの低い音声や重要度が低いと判断されたトークンをスキップします。この「積極的な省略」がWER=0.3465という精度に影響しています。

向いている用途：

リアルタイムキャプションの下書き
大量音声ファイルの高速インデックス作成（精度より速度優先）

向いていない用途：

詳細な議事録、ドラマや会話の完全書き起こし

reazonspeech-nemo-v2 と k2-v2 の比較

両者とも同じReazonSpeechブランドですが、表記スタイルに明確な差があります。

比較項目	nemo-v2	k2-v2
数字表記	`13歳`（半角）	`十三歳`（漢数字）
英字	`gps`（小文字）	`GPS`
処理速度	RTF=0.020	RTF=0.026
省略傾向	後半が消える	中間を省略（中抜き）

nemo-v2は警察用語「マル暴（マルボウ）」を正確に漢字変換できるなど、専門用語への対応力も示しました。

kotoba-whisper-v2.0 — 今回の結果では最下位（WER: 0.5402）

ニュース原稿のような明瞭な音声には対応できますが、自然会話・感情音声・複数話者には課題が顕著でした。

特徴的な問題：

音声が不明瞭な際に同じフレーズを繰り返す
フィラー（「えっと」「あの」「まー」）の直後の重要な単語が欠落する
音声の最初の部分が書き起こせないケースがある

用途別おすすめモデル

text

精度最優先（議事録・字幕）
  → qwen3-asr-1.7b または whisper

日本語メディア特化（ニュース・報道）
  → reazonspeech-espnet-v2

速度最優先（リアルタイム・バッチ処理）
  → parakeet-tdt-0.6b-v3

可読性重視（書き言葉に変換したい）
  → voxtral-mini（ただし言語バリデーション必須）

再現方法：WER評価パイプラインの全体像

このベンチマークで最も重要なのは「どうやってWERを公平に計算するか」という設計です。特に日本語ASRのWER計算には独自の工夫が必要で、単純に jiwer.wer(ref, hyp) を呼ぶだけでは正確な評価になりません。

Step 1：テキスト正規化（句読点・記号・スペースの除去）

ASRモデルによって句読点の付け方が大きく異なります。例えばreazonspeech-espnet-v2は ！ や ？ を積極的に挿入しますが、参照テキスト（アノテーション）にはそれらがない場合があります。句読点の有無でWERが不公平に変動しないよう、評価前にすべて除去します。

python

import unicodedata

def normalize_text(text: str) -> str:
    # NFKC正規化：全角英数→半角、異体字の統一など
    text = unicodedata.normalize("NFKC", text)
    chars: list[str] = []
    for ch in text:
        cat = unicodedata.category(ch)
        if cat.startswith("Z"):  # スペース・イデオグラフィックスペース等の区切り文字
            continue
        if cat.startswith("P"):  # 句読点（、。！？「」など）
            continue
        if cat.startswith("S"):  # 記号（￥、©など）
            continue
        chars.append(ch)
    return "".join(chars).strip()

この正規化により、以下のような「表記揺れ」による誤評価を防いでいます。

処理	変換例
NFKC正規化	`１３歳` → `13歳`、`ｋｍ` → `km`
句読点除去	`行って、叫んで。` → `行って叫んで`
スペース除去	`東京都` → `東京都`

Step 2：MeCabによる日本語分かち書き（WER専用）

日本語はスペースで単語が区切られないため、英語と同じ方法でWERを計算できません。スペース分割ではなくMeCabで形態素解析（分かち書き）してからWERを計算しています。

python

import MeCab

_MECAB_TAGGER = None

def _get_mecab_tagger():
    global _MECAB_TAGGER
    if _MECAB_TAGGER is None:
        # -Owakati：分かち書きモードで出力
        _MECAB_TAGGER = MeCab.Tagger("-Owakati")
    return _MECAB_TAGGER

def _contains_japanese(text: str) -> bool:
    for ch in text:
        code = ord(ch)
        if (
            0x3040 <= code <= 0x30FF  # ひらがな・カタカナ
            or 0x4E00 <= code <= 0x9FFF  # CJK統合漢字
            or 0x3400 <= code <= 0x4DBF  # CJK拡張A
        ):
            return True
    return False

def tokenize_for_wer(text: str) -> list[str]:
    # すでにスペース区切りなら分割（英語等）
    if " " in text:
        return [tok for tok in text.split(" ") if tok]
    # 日本語が含まれていればMeCabで分かち書き
    if _contains_japanese(text):
        tagger = _get_mecab_tagger()
        parsed = str(tagger.parse(text) or "").strip()
        return [w for w in parsed.split() if w]
    # その他（純粋な英数字等）は文字単位
    return [ch for ch in text if not ch.isspace()]

なぜMeCabが必要か？ 例として「行ってきました」という単語がある場合、単純な文字分割だとすべての文字が独立したトークンになりますが、MeCabなら 行っ / て / き / まし / た と形態素単位に分割されます。これにより「削除」「挿入」の数が実際の誤りに近い値になります。

Step 3：CER計算（文字単位）

CERはシンプルに文字単位で分割します。スペースのみ除外します。

python

def tokenize_for_cer(text: str) -> list[str]:
    return [ch for ch in text if not ch.isspace()]

Step 4：jiwer でエラーレート計算

トークン列をスペース結合した文字列としてjiwerに渡し、置換・削除・挿入の数を取得します。

python

import jiwer

def compute_error_rate(ref: str, hyp: str, mode: str) -> tuple[float, int, int]:
    ref_n = normalize_text(ref)
    hyp_n = normalize_text(hyp)

    if mode == "wer":
        ref_tokens = tokenize_for_wer(ref_n)
        hyp_tokens = tokenize_for_wer(hyp_n)
    elif mode == "cer":
        ref_tokens = tokenize_for_cer(ref_n)
        hyp_tokens = tokenize_for_cer(hyp_n)

    # jiwer はスペース区切りの文字列として受け取る
    out = jiwer.process_words(
        " ".join(ref_tokens),
        " ".join(hyp_tokens)
    )
    err = int(out.substitutions + out.deletions + out.insertions)
    total = int(out.hits + out.substitutions + out.deletions)
    return (err / max(total, 1)), err, total

最終的なWER・CERは、20サンプル全体の誤り数と参照トークン数を集計したコーパス全体の集計値として算出しています（サンプルごとのWERを平均するのではなく、全体での Σerr / Σtotal を使用）。これにより短いサンプルの影響を抑えた公平な評価になります。

Step 5：RTF（リアルタイム係数）の計測

各ASRモデルはサブプロセスとして起動し、transcribe_elapsed_sec（推論時間）とaudio_duration_sec（音声の長さ）をJSONで返します。RTFはその比です。

python

# 各モデルのtranscribe.pyが返すJSONの形式
{
    "text": "書き起こされたテキスト",
    "transcribe_elapsed_sec": 0.34,  # 推論にかかった秒数
    "audio_duration_sec": 29.0,       # 音声の長さ（秒）
    "rtf": 0.012                      # transcribe_elapsed / audio_duration
}

# コーパス全体のRTF = Σtranscribe_elapsed / Σaudio_duration
rtf = transcribe_elapsed_sum / audio_duration_sum

依存ライブラリ

text

jiwer          # WER/CER計算
MeCab          # 日本語形態素解析（分かち書き）
unicodedata    # テキスト正規化（Python標準ライブラリ）

MeCabのインストール（Ubuntu系）：

bash

sudo apt-get install mecab libmecab-dev mecab-ipadic-utf8
pip install mecab-python3 jiwer

FAQ（よくある質問）

Q1. 日本語ASRで一番精度が高いモデルは何ですか？

今回のベンチマークでは qwen/qwen3-asr-1.7b（WER=0.1899）が最高精度でした。ただし自然会話・ノイズ混在環境での安定性は whisper も同等で、用途によって使い分けが重要です。

Q2. WERとCERどちらを見ればいいですか？

日本語の場合、分かち書きの曖昧さからWERは過剰に悪化することがあります。今回はMeCabで形態素解析してから計算しているため、単純な文字分割よりは信頼性が高いですが、それでもCERをメインの評価指標にすることを推奨します。今回の結果でも両者の順位はほぼ一致していました。

Q3. リアルタイム文字起こしに向いているモデルは？

RTF < 0.1が実用的な目安です。今回の結果では parakeet-tdt-0.6b-v3（RTF=0.002）、whisper（RTF=0.012）、nemo-v2（RTF=0.020）が該当します。ただし精度とのトレードオフを考慮してください。

Q4. フィラー（えー・あのー）を保持したい場合は？

qwen3-asr-1.7b や whisper は適宜間引きますが、比較的忠実です。reazonspeech-espnet-v2 は積極的にカットするため不向きです。

Q5. 複数話者が混在する音声に強いモデルは？

今回のテストでは whisper と qwen3-asr-1.7b が複数話者・ノイズ混在環境でも安定した精度を維持しました。ReazonSpeech系列は複数話者が重なると後半を切り捨てる傾向があります。

Q6. Whisperの幻覚（Hallucination）はどう対策すればいいですか？

①無音区間の事前VAD（音声区間検出）処理、②繰り返しパターンの後処理検知、③no_speech_thresholdパラメータの調整、が有効です。長時間音声での運用時は特に注意が必要です。

Q7. voxtral-miniがアラビア語を出力したのはなぜですか？

詳細な原因は不明ですが、多言語モデル特有の言語混在問題と推測されます。本番環境では出力言語の自動バリデーションを実装することを強く推奨します。

Q8. このベンチマークはどのくらい信頼できますか？

20本のテストデータはジャンルを分散させていますが、サンプル数としては限定的です。特定ドメイン（医療・法律など）での運用では、そのドメインのデータで追加評価することを推奨します。

まとめ

8モデルを同一条件でベンチマークした結果をまとめると：

精度・安定性のバランス： qwen3-asr-1.7b > whisper
日本語メディア特化： reazonspeech-espnet-v2
速度重視： parakeet-tdt-0.6b-v3
避けるべき用途があるモデル： kotoba-whisper-v2.0（自然会話）、voxtral-mini（言語バリデーション未実装の場合）

音声認識はモデル選定だけでなく、前処理（ノイズ除去・話者分離）と後処理（幻覚検知・言語バリデーション）の組み合わせで大きく精度が変わります。本記事のデータを参考に、用途に合わせた最適なパイプラインを構築してください。