Nemotron 3.5 Transcribe 対 NVIDIA Parakeet TDT 0.6B：626,000ダウンロードの現行モデルが後継者と対面

Hugging Face 上の 626,000 件を超えるダウンロードは、NVIDIA Parakeet TDT 0.6B によるものです。これは 2025 年 8 月の登場以来、既定のセルフホスト型英語認識器であり続けてきた 6 億パラメーターのトランスデューサーです。そのほとんどは単独で実行されていません。標準的なデプロイは、単語用の Parakeet、話者用の別個のダイアライザー、そしてセグメント境界で 2 つの出力をつなぎ合わせるマージ処理です。 Nemotron 3.5 Transcribe は、2026 年 10 月 28 日にオープンウェイトとして公開され、NVIDIA がその中間層を削除するための提案です。カスケードなしで、40 言語の文字起こし、最大 8 人までの声の分離、およびそれらへのタイムスタンプ付与を 1 つのチェックポイントで行えるようにするものです。また、GPU 秒あたりでは 43 倍遅く、ディスク上では約 25 倍大きいという、発表が真っ先に触れていない部分があります。

この対決で興味深いのは、両モデルが同じ企業に属していることだ。これは外部から現れて既存製品を追い出す挑戦者ではない。NVIDIAが、最初の製品がそもそも想定していなかった仕事の半分を担わせるために、よりずっと重い第2の製品をあなたに売り込んでいるのだ。

2つのアーキテクチャ、2つの仕事論

Parakeet TDT 0.6B v3 は、FastConformer エンコーダーに token-and-duration transducer デコーダーを接続したモデルです。TDT モデルは各ステップでトークンと duration の両方を予測するため、フレームをスキップしてリアルタイムよりはるかに先に進むことができます。これが高速である理由のすべてです。自動言語検出付きで25の欧州言語をカバーし、ネイティブな単語レベルのタイムスタンプを備え、CC-BY-4.0 の下で提供されます。これは、ライセンスとしてはほぼ制約がないに等しいものです。話者表現は一切ありません。弱いものですらなく、皆無です。

Nemotron 3.5 Transcribeは音声拡張言語モデルです。音声エンコーダー、Parallel Expert Encoderを介して話者アクティビティ特徴を注入する凍結されたNemotron 3 Diarizationモデル、そしてトークンごとに300億パラメータのうち約40億がアクティブになるハイブリッドMamba–Transformer Mixture-of-Expertsデコーダーを備えています。これはフレームを分類するものではありません。テキストを生成するため、どのように生成するかを指示できるのです。

• パラメータ — 合計約30B、トークンあたり約4Bがアクティブ（600Mと比較）

• デコーディング — 自己回帰生成 vs トークン・アンド・デュレーション・トランスデューサ（非自己回帰）

• ライセンス — OpenMDW-1.1 対 CC-BY-4.0。

• 言語 — 40言語の文字起こし、31言語の英語との相互翻訳（自動検出対応の25のヨーロッパ言語に対して）

• スピーカー — 最大8名、話者識別付き、13言語対応（従来はなし）。

• タイムスタンプ — デコード後のCTCアラインメント、話者帰属付き vs ネイティブの単語レベルタイミング。

• スループット — Open ASR Leaderboard における RTFx 462 対 RTFx 3,333。

• 音声の長さとストリーミング — ファイルあたり1時間、録音のみ vs 録音。0.6Bのストリーミング用兄弟モデルがライブ音声を別途処理します。

精度の数値は、誰がホストしているかによって変動します。

Hugging Face Open ASR Leaderboardの英語ショートフォーム平均では、Parakeet TDT 0.6B v3が6.34%、Nemotron 3.5 Transcribeが5.33%です。同じ公開リーダーボード上での1ポイント差であり、このシリーズの大半の比較よりはまともです——同じハーネス、同じテストセット、両ベンダー自身の提出です。それでも全体像ではありません。というのも、2つのエントリは異なる時期に採点されており、リーダーボードの平均はクリーンな朗読音声によって支配されているからです。

Artificial Analysisはまったく異なる説明をしており、その理由を理解する価値がある。そのボードでは、Parakeetの項目は4.5%に位置し、Open ASRの平均値から示唆される水準を大きく上回っている一方、Nemotron 3.5 Transcribeは3.4%に位置している。この4.5%は、ホスト型エンドポイントの構成に属する数値であり、あなた自身のハードウェア上のチェックポイントの数値ではない。また、デプロイ事業者のバッチ処理やデコードの選択によって、この数値はほぼ1ポイント変動する。ホスト型のParakeetスコアをセルフホスト型のスコアと比較することは、今週の報道における最も一般的な誤りのひとつであり、逆方向にも当てはまる。NVIDIAがNemotronについて打ち出した2.8%という主張は提出時の数値であり、ボードの現在の3.4%が実測値である。

人間による独立レビュー済みの全体像はさらに限定的だ。Peritの英語セットでは、Parakeet TDT 0.6B v3がWER 2.13%で22件中14位、クリップの54%が完全に書き起こされている。GPT TranscribeとMAI Transcribe 2は1.76%で6位と7位に位置する。Nemotron 3.5 Transcribeの30Bチェックポイントはそのボードにまったく載っていない。載っているのはnemotron-3.5-asr-streaming-0.6bモデルで、3.35%・21位だ。これは別の用途向けの別モデルであり、本記事が扱っているモデルと頻繁に混同される。

置換が実際に削除するもの

Parakeetユーザーが今日実行するカスケードは3つの部分と3つの失敗モードから成る。認識器は単語タイミング付きのテキストを生成する。話者分離器は話者ターンを生成する。マージ処理は単語にターンを割り当てるが、それは重なりヒューリスティクスによって行われ、まさに重要な場面——2人が同時に話すとき——で誤る。単一モデル置き換えに関するNVIDIAの公表値は、まさにその失敗を直接狙ったものである。David AIベンチマークで21言語にわたり話者分離エラー率18.26%、14システム中最高。VoiceArenaで連結min-permutation WER 32.4%、14システム中最高で、次点はMultitalker ParakeetとNemotron 3 Diarizationのカスケードによる34.2%。そして重なりのある英語音声で参照単語の8.32%が脱落し、中央値は約31%に対してである。

それはベンダー自身の評価環境によるベンダー公表の数値であり、独立に再現されたものではありません。しかし、次点が何であるかに注目してください。それは、この比較のタイトルに登場するモデルから構築されたNVIDIA自身のカスケードです。同社は、新製品が旧製品とダイアライザーを合わせたものを上回るというベンチマークを公開しています。これは異例に直接的な証拠であり、同時に、ベンダーが最も作成しやすい一方で、結果が逆であれば最も公表しにくい種類の証拠でもあります。

代替品が削除する2つ目のものは言語対応です。Parakeetは25のヨーロッパ言語をカバーします。Nemotronは文字起こし用に40言語、英語への翻訳と英語からの翻訳用に31言語をカバーし、13言語で話者帰属を備えています。もしあなたのキューがEUで止まるなら、その違いは机上のものです。アラビア語、中国語（標準中国語）、ヒンディー語、日本語が含まれるなら、Parakeetはそもそも選択肢ではなく、比較はNemotronとまったく別のものとの間になります。

それを交換するのにかかるコスト

まずはスループットからです。Parakeetの3,333 RTFxに対しNemotronは462で、同じリーダーボードの計測ハーネス上では7.2倍の差があります。これはパラメータ比から連想されるほどの差ではありません。MoEがトークンあたり300億の重みのうち約40億しか活性化しないためですが、それでも現実の差です。NVIDIAのより派手な主張、つまり1台のRTX PRO 6000 Blackwellで毎秒最大2,238秒分の音声を処理できるという話は、NVFP4チェックポイントとDFlash2ドラフトモデルを前提とし、高い同時実行数で30秒のクリップを使って測定されたものです。どちらの数値も間違いではありません。異なる構成を測定したものであり、大きい方の数値に基づいてキャパシティプランを立てると、1時間の会議では期待を裏切ることになります。

第二に、フットプリントです。Parakeet TDT 0.6Bは数ギガバイトに収まり、ミッドレンジGPUでも余裕で動作し、その量子化ビルドはCPUでも動作します。Nemotron 3.5 TranscribeはBF16で数十ギガバイトあり、データセンター向けアクセラレータ上でNeMo Speechプラグイン付きのvLLMまたはSGLang-Omniを必要とします。同じハードウェア上で30Bモデルが0.6Bモデルに取って代わるような話はありません。

3点目は成熟度です。Parakeetには1年にわたる導入実績、フォーラムでの1,000件の回答、そしてNeMo、Transformers、C++ランタイムで動作するツールチェーンがあります。Nemotron 3.5 Transcribeにはまだ1日しかありません。そのGGUFおよびNeMo-Speech.cppサポートは「近日提供予定」と説明されており、量子化されたローカルビルドはまだリリースされていません。パイプラインに退屈なほどの安定性が必要なら、それはモデルを拒否する理由ではなく、四半期待つ理由です。

現職者が依然として圧勝する場面

何よりまず、インタラクティブな用途があります。Parakeet のトランスデューサー復号は、音声が到着するそばから単語を返しますし、そのネイティブなタイムスタンプは事後的なアラインメント処理ではなくデコーダー自体の特性です。Nemotron 3.5 Transcribe は録音済み音声向けに明示的に作られています — NVIDIA 自身の Hugging Face 投稿にもそう書かれています — そしてライブセッション向けには別の 0.6B ストリーミングモデルがあります。あなたの製品がライブキャプションなら、この見出しに登場するモデルのどちらも正解ではありません。正解はストリーミング版の兄弟モデルであり、それは別の比較になります。

小規模なオンプレミスで2人分の用途なら、何でも。ワークステーション用カードを1枚しか持たない診療所、アーカイブとコンプライアンス担当者を抱える法律事務所、GPU助成金を1件だけ持つ研究グループ——0.6BのParakeetは現実的な導入だが、30BのNemotronはそうではない。クリーンな英語音声における約1ポイントの精度差は、ハードウェアのコストに見合わない。

英語のみで話者要件のないものが3つ。その大半は文字起こし作業です。正直にまとめると、Parakeetの626,000ダウンロードの大半は、このアップグレードでは改善されない用途向けです。

パイプラインの半分が自社ハードウェアでも稼働を維持する

認識エンジンをセルフホストすると、マネージドAPIにはない障害モードが生じます。それはカード、ドライバー、メンテナンスウィンドウです。まさにそれが、パイプラインのもう半分——要約器、分類器、そして文字起こしを構造化レコードに変える抽出器——を、冗長性が組み込まれたエンドポイントに置いておくべき理由です。OrcaRouterは1つのキーで200以上のテキストおよびマルチモーダルモデルを稼働させ、さらに自動フェイルオーバーを上流が劣化した際にプロバイダー間で行い、プロバイダーのリスト価格を0%のマークアップでそのまま提供し、統合を重複させずに会議の議事録や通話メモを異なるモデルへ振り分けられるルーティングDSLを備えています。Nemotron 3.5 TranscribeとParakeet TDT 0.6Bはいずれもそのカタログの対象外です——当社は音声認識を提供していません——が、それらの出力を読み取るレイヤーは、GPUが故障しても停止する必要はありません。

アップグレードの決定

カスケードが問題の原因になっているなら、Parakeet を Nemotron 3.5 Transcribe に置き換えてください。ダイアライザーとマージ手順を維持している場合、会議に2人を超える話者がいる場合、音声がヨーロッパのものではない場合、またはサポートチケットに「重複する発話」という言葉が現れる場合です。その場合、30B チェックポイントは贅沢ではなく、2つの可動部分とそのエラーバジェットを取り除くことです。スループットのコストはスループットのコストにすぎません — カード1枚でも、会議の多いチームが生成できる量をはるかに上回る音声を処理できます。

音声が英語またはヨーロッパの言語で、話者が既知または重要でなく、ハードウェアがワークステーションで、パイプラインが機能しているなら、Parakeet を維持してください。新しいモデルは旧モデルを不要にするものではありません。旧モデルが想定していなかったケースをカバーするものです。そして、独立系のベンチマークボードを注視し続けてください。なぜなら、この記事で話者分離に関して Nemotron 3.5 Transcribe を支持する数値はすべて NVIDIA 自身のものであり、第三者の見解はまだ公開されていないからです。