Moonshine AI、端末向け音声認識モデルを公開：Whisper超えの精度を軽量実現

Moonshine Voiceは、Moonshine AIが公開したオープンウェイトの音声認識（STT）モデルです。クラウドAPIに依存せず、端末上でリアルタイムに音声を文字起こしすることに特化して設計されています。Python環境をはじめ、iOS、Android、Raspberry Piなどで直接動作します。

主な機能と性能

最大の特徴は、驚くほど小さなサイズと精度の両立です。ストリーミング対応モデルのパラメータ数はわずか2億（200M）で、Whisper Large v3より7.5倍軽量でありながら、単語誤り率（WER）のベンチマークで上回っています。

対応言語は英語、中国語（普通話）、スペイン語、日本語、韓国語など幅広くカバー。通常の音声書き起こしだけでなく、音声活動検出（VAD）や、音声コマンド向けの意図認識機能も標準で組み込まれています。

なぜ重要か

モバイルアプリ開発者や、Raspberry Piなどの小型ボードでローカル完結の音声アシスタントを作りたい人にとって、すぐに試す価値があるツールです。これまで端末上で実用レベルのWhisperを動かすには、メモリや遅延の面で大きな妥協が必要でした。

軽量な2億パラメータで高い精度を達成し、VADや意図認識まで内包した設計は非常に実用的です。端末側で完結する音声AIの普及を大きく後押しすると見ています。