Nvidia、音声認識AI「Parakeet-TDT-v2」をオープンソース公開

Parakeet-TDT-0.6B-v2は、Nvidiaが公開したオープンソースの自動音声認識（ASR）モデルだ。パラメータ数は6億（0.6B）と軽量ながら、最大の強みはその圧倒的な処理速度にある。Nvidia製GPU環境であれば、1時間の音声データをわずか1秒でテキスト化できる。

本モデルは現在、Hugging FaceのOpen ASRリーダーボードで首位に立っており、平均単語誤り率（WER）は6.05%を記録している。OpenAIのGPT-4o-transcribe（英語WER 2.46%）やElevenLabsのScribe（3.3%）といった商用プロプライエタリモデルには及ばないものの、オープンソースとしては最高水準の精度を誇る。さらにCC-BY-4.0ライセンスを採用しているため、個人開発者から大企業まで商用アプリケーションに無料で組み込むことが可能だ。

何ができるのか

技術面では、FastConformerエンコーダとTDT（Token-and-Duration Transducer）デコーダを組み合わせたアーキテクチャを採用している。単語トークンと音声の長さを同時に予測することでデコードのステップ数を大幅に削減し、これが爆速な処理スピードを実現したカラクリだ。

バッチサイズ128におけるリアルタイム係数（RTFx）は3386.02に達する。単に文字を起こすだけでなく、句読点の補正、英大文字・小文字の復元、単語レベルのタイムスタンプ出力にも標準で対応しているため、動画の字幕起こしや議事録作成ツールにそのまま活用できる。

耐ノイズ性も高く、AMI、Earnings22、GigaSpeech、SPGISpeechといった英語ベンチマークにおいて、電話回線風の音質や騒音環境下でも安定した文字起こし精度を維持した。

学習には、Nvidia独自の大規模コーパス「Granary」が使われた。LibriSpeech、Mozilla Common Voice、YouTube-Commonsなどを集めた約12万時間の英語音声データで構成されており、1万時間の人手による文字起こしデータと11万時間の疑似ラベル付きデータが含まれる。このデータセットはInterspeech 2025での発表後に一般公開される予定だ。

導入とハードウェア要件

導入はNvidiaのNeMoツールキットを通じて行え、PythonおよびPyTorch環境と完全に互換性がある。重みデータはHugging Faceから直接ダウンロード可能だ。

ハードウェア面ではNvidiaのGPU環境に最適化されており、A100、H100、T4、V100などが推奨される。性能をフルに引き出すには高性能なGPUが求められるが、モデルサイズ自体が小さいため最小2GBのRAM環境でもロードでき、ローカルでの検証ハードルは低い。

なぜ重要か

文字起こし機能を自社アプリに組み込みたい開発者にとって、極めて実用的な選択肢が登場した。これまで高精度な文字起こしを導入するには、従量課金の商用APIに高額な料金を払うか、Whisper系のモデルを自前で運用しながら遅い処理速度に耐えるかの二択になりがちだった。Parakeet-TDT-0.6B-v2はその常識を打ち破る。

Nvidiaの狙いも明確だ。優れたオープンソースモデルを惜しみなく提供することで自社製GPUの稼働需要を高め、ハードウェアの優位性を確固たるものにしている。現状は英語に特化しているものの、文字起こしコストを劇的に下げたいチームなら、今すぐ試す価値がある。