ハクソク

世界を動かす技術を、日本語で。

Appleの新しいSpeechAnalyzer API、Whisperおよびその前身とのベンチマーク比較

2026年7月14日原文(get-inscribe.com)

概要

Appleの新しい SpeechAnalyzer は、従来のSFSpeechRecognizerやWhisperモデルを 精度と速度で圧倒。 LibriSpeechのクリーン・ノイズ環境両方で 最高の認識率 を記録。 Whisper Small より約3倍高速、精度も上回る。 英語音声認識 では現状、Appleデバイスで最良の選択肢。 移行推奨、Whisperは多言語対応が主な強み。

Apple SpeechAnalyzerベンチマーク結果

  • SpeechAnalyzer は、テストした中で 最も高精度なオンデバイス音声認識エンジン。
  • LibriSpeech のクリーン音声・ノイズ音声で、全Whisperモデル（Whisper Small含む）を上回る精度。
  • 動作速度 はWhisper Smallの約3倍、同じApple M2 Pro環境で測定。
  • SFSpeechRecognizer（旧API） は精度で最下位。Whisper Tiny（40MBモデル）よりも劣る結果。
  • 各エンジンのWord Error Rate（WER） 一覧（低いほど良い）：
    • Apple SpeechAnalyzer: クリーン 2.12%、ノイズ 4.56%
    • Whisper Small: クリーン 3.74%、ノイズ 7.95%（約460MB）
    • Whisper Base: クリーン 5.42%、ノイズ 12.51%（約140MB）
    • Whisper Tiny: クリーン 7.88%、ノイズ 17.04%（約40MB）
    • SFSpeechRecognizer: クリーン 9.02%、ノイズ 16.25%

移行の必要性とメリット

  • SFSpeechRecognizerからの移行は必須。新APIは同じ音声で 3.5〜4倍の精度向上。
  • クリーン音声：9.02% → 2.12%、ノイズ音声：16.25% → 4.56%。
  • 精度以外のトレードオフ無し。新APIは句読点・大文字も正確。
  • 1時間の会議録音で、 誤認識単語数が4分の1 に減少。
  • 長文用途なら移行は必須。音声コマンド用途以外では新API推奨。

SpeechAnalyzerとWhisperの比較

  • SpeechAnalyzer は Whisper Small より精度・速度ともに優秀（英語限定）。
  • Whisper の利点：
    • 多言語対応 （SpeechTranscriberは約30言語対応）。
    • クロスプラットフォーム （Apple以外でも動作）。
  • Inscribe では対応言語はSpeechAnalyzer、非対応言語はWhisperを自動選択。

処理速度

  • 5つのエンジン全て、 リアルタイムの12〜40倍速 （M2 Pro環境）。
    • 1時間の音声が約1.5〜5分で文字起こし可能。
  • SpeechAnalyzerはWhisper Smallの約3倍高速 かつ高精度。

ベンチマークの信頼性・方法論

  • Whisperモデルの結果はOpenAI公式値とほぼ一致。正常な再現性を確認。
  • 全エンジン同一コード・同一音声で評価 （Inscribe本番コード使用）。
  • テキスト正規化 （大文字・句読点・数字変換など）を統一。
  • 全発話の生データ・スコアを公開。異論があれば再スコア可能。
  • クラウド処理禁止。全てオンデバイスで実行、プライバシー重視。
  • 失敗もカウント。返答無しは100% WERとして集計。

制限・留意点

  • 英語のみ （LibriSpeechは英語朗読音声）。
  • 会議音声・多人数・アクセント音声は未評価。今後の課題。
  • 測定環境はM2 Pro, macOS 26.5.1。速度はチップにより変動。
  • WhisperはCoreML量子化版。GPU版とは若干の違いあり。

まとめ：今選ぶべき音声認識エンジン

  • 最新iPhone/MacならSpeechAnalyzerが最良のオンデバイス英語認識エンジン。
  • プライベート用途でも妥協不要。Inscribeではテスト通りのエンジンを採用。
  • 多言語やApple以外の環境ではWhisperが有力。

関連情報

  • Apple Intelligence transcription
  • Best offline transcription apps
  • Private transcription apps

Hackerたちの意見

すごいね。Appleは27でモデルを改善したって言ってたよね？ベータ版の数字がどうなるか楽しみだな。

Whisperの小さいモデルはほぼ4年前のもので（Whisper v2やv3にはアップデートされてない）、今は本当に比較するべきものがないの？

└

たくさんあるよ。最後に見たのはParakeetで、結構注目されてるみたい（独立した軽量実装とかね）。

└

たくさんあるよ[0]、ストリーミングやオープンウェイトで検索・フィルタリングもできるよ。VoxtralとNvidiaのNemotronが一番良さそう。[0] https://artificialanalysis.ai/speech-to-text/non-streaming

数学の講義でWhisper-Large-V2と比べてみたけど、かなり速くて、少しだけ精度が落ちたかな。ライブトランスクリプションには十分使えるけど、リアルタイムで字幕生成する必要はないから、しばらくはWhisperを使い続けるつもり。

└

速いけど精度が落ちるなら、もっと小さいWhisperモデルと比較してみたら？

└

半年くらい開発してるポッドキャストアプリで使ってるよ（笑）。27バージョンまでには公開したいな。めっちゃ速いことは確認済み。音声を複数のセグメントに分けて、同時デコードの最大制限に引っかからずに処理すると、すごく速いんだ。カットは失うけど、ポッドキャストには十分だよ。1分で1時間の音声を処理できちゃう。iPhone 17 Proでね。

Whisperは比較するには適してないモデルだよ。むしろ、今はNemotronやParakeetみたいな最新のモデルがあるし、MistralのVoxtralやCohere Transcribeもある。ただ、面白いのは、Whisperをラップしてる有料アプリがたくさん消えそうだね。AppleがmacOS用のレコーダーアプリみたいなネイティブGUIを作るだろうから、今みんながやってるラップは必要なくなると思う。

└

今はNvidiaのNemotronやParakeetみたいな最新のモデルがあるよ。Parakeetって最新の技術なの？俺が言葉を詰まらせて「m-m-m-map」って言ったら、Parakeetはちゃんと「m m m map」って書き取ってくれるんだ。これって、欲しいものによっては良いことか悪いことかもね。でもWhisperはそういうのはしないんだよね。Cohere Transcribeは結構好きだな。

└

それに、このテストは英語だけなんだよね。他のモデルの強みは、どの言語かを最初に言わなくても理解できることだから、日常的に3つの言語で音声入力したいときに、3つの異なるショートカットを使う必要がないんだ。

└

Appleのボイスメモアプリは、macOS 15 / iOS 18から自動的に書き取る機能があるよ。

└

その中でParakeetだけが<1Bなんだけど、Appleのモデルより見た目はいいね。ただ、内蔵されてないのが残念。レイテンシーや効率はどうなんだろう。

Hacker Newsで議論の続きを見る