VibeVoice-ASRを量子化してDERはどう変わるか？4bit・8bit・originalを実測比較
VibeVoice-ASRを4bit・8bit量子化してDERを実測したところ、量子化が精度を下げるとは限らず、ドラマ系音声では4bitがオリジナルより8.5ポイント改善した
【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
RTX5090を使い8種類の日本語ASRモデルを同一条件でベンチマークした結果、精度・安定性ともにqwen/qwen3-asr-1.7b（WER: 0.1899）とwhisper（WER: 0.2099）が頭一つ抜け出しました。速度最優先ならparakeet-tdt-0.6b-v3（RTF: 0.002）、日本語メディア特化ならreazonspeech-espnet-v2が有力な選択肢です。WER評価にはMeCab分かち書き＋句読点除去による正規化を実装し、モデル間の公平な比較を実現しています。