whisper, parakeet, voxtral の各実装の処理速度を計測する.

概要

種々音声認識モデルはありますが、比較的多く使われている whisper の各種実装の処理速度を計測します

文字起こしの精度は比較的高いため、特に言及はしません

2025/09/02 nvidia parakeet の計測結果を追記
2025/09/16 voxtral の計測結果を追記

対象ソフト

• voxtral
  • official
  • voxtral model
• parakeet
  • parakeet model
  • parakeet-mlx
  • nemo
• whisper
  • whisper.cpp
    • 通常の whisper.cpp に加え apple silicon 最適化 を行う
    • また、nvidia GPU も用いる
  • faster-whisper
  • mlx-whisper

環境

• mac book air
  • sequoia 15.6
  • m3 core 8
  • 24G
• linux
  • debian 12
  • ryzen 5700x
  • mem DDR4 32G
  • nvidia RTX3060 12G
  • python 3.11
• ec2 instance
  • ubunt 22
  • A10G 24G gpu memory

ec2 instance は, voxtral 24B での計測に利用
その他は rtx 3060 を使用

実行時の条件

• いずれもパラメータの調整は行わず初期設定で実行する
• 喰わせるファイル
  • 0.5分
  • 5分から30分までの各ファイル

参考サイト

細かな解説はこちらのサイトが分かりやすいと思います

voxtral

model	0.5min	5min	10min	15min	20min	25min	30min
Voxtral-Mini-3B-2507 vllm	4.8秒	22秒	n/a	n/a	n/a	n/a	n/a
Voxtral-Mini-3B-2507-bf16 llama	4.6秒	29秒	n/a	n/a	n/a	n/a	n/a
Voxtral-Small-24B-2507 vllm	4.2秒	50秒	81秒	n/a	n/a	n/a	n/a

高速ではあるが parakeet や whisper の方が速い

補足

• n/a は以下理由により実行不可能でした
  • out of memory
  • file size over
  • パラメータ調整が多分に必要なケース
    • 異常な文字起こしが多発するなど

parakeet 計測結果

parakeet Model	Hard	5分	10分	15分	20分	25分	30分
ctc-1.1b	GPU	3秒 22秒	4秒 23秒	5秒 24秒	7秒 26秒	9秒 28秒	10秒 29秒
tdt_ctc-0.6b-j	GPU	3秒 22秒	5秒 23秒	7秒 25秒	9秒 27秒	10秒 29秒	13秒 31秒
tdt-0.6b-v3	GPU	4秒 25秒	6秒 27秒	8秒 28秒	10秒 31秒	12秒 33秒	14秒 35秒
tdt_ctc-0.6b-j	Mac MLX	10秒	20秒	29秒	38秒	43秒	47秒

後述する whisper よりはるかに高速でした

補足

• 数値が二行ある場合
  • 一行目は推論のみの所要時間
  • 二行目は model のロード時間を含めた所要時間. コマンド押下からコンソールが返ってくるまでの時間になる
  • 設定不足なのか nvidia GPU ではロードに10~秒程時間を要するが、MLX ではそれほど要しないもよう
• ヘッダーの分数は、音声ファイルの長さ
• 以下 model は日本語対応しておらず、英語のファイルで試行
  • ctc-1.1b
  • tdt-0.6b-v3
• memory 不足対応
  • 5分以上のファイルでは out of memory になるため、5分刻みのファイルを順次読み込ませている

whisper 計測結果

soft	Hard	0.5分	5分	10分	15分	20分	25分	30分
faster-whisper	nvidia GPU	2.7秒	13秒	21秒	35秒	40秒	49秒	57秒
whisper.cpp	nvidia GPU	2.1秒	13秒	25秒	39秒	51秒	1分2秒	1分12秒
whisper.cpp + mlx	Mac	2.9秒	22.1秒	45秒	1分12秒	1分34秒	1分57秒	2分15秒
mlx-whisper	Mac	4.1秒	42秒	48秒	1分12秒	1分40秒	1分58秒	2分40秒
whisper.cpp	Mac	4.6秒	34秒	1分18秒	2分34秒	4分10秒	4分27秒	5分41秒
faster-whisper	Mac	21秒	2分7秒	4分18秒	7分3秒	8分16秒	10分25秒	11分23秒

補足

利用 model は large-v3-turbo

nvidia GPU CUDA を使用すると whisper の中では最速となりました
apple CPU + core ML の性能の良さも垣間見れました

RTX3060 という古い GPU ですので、50xx のハイエンドを使用するとさらに高速化できるかもしれません

ryzen 5700X cpu では、全コアを処理に当てた上で、音声ファイルの長さの 1/2 程度の時間が必要でした

parakeet setup

mac : parakeet-mlx

uv add parakeet-mlx

uv run parakeet-mlx sample.wav \
    --model mlx-community/parakeet-tdt_ctc-0.6b-ja \
    --output-format vtt \
    --highlight-words \
    --chunk-duration 180 --overlap-duration 15

linux

lib などの依存関係の解決が必要になると思います

uv add nemo_toolkit['asr']
uv add "onnx<=1.18"

uv run main.py

import time, torch
import nemo.collections.asr as nemo_asr

asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-0.6b-ja")
files = [
    'sample.wav',
]

with torch.inference_mode(), torch.autocast(device_type="cuda", dtype=torch.float16):
        output = asr_model.transcribe(audio=files)

print(output[0])        

whisper setup

簡単に setup 方法と参考サイトを記述する

whisper.cpp

setup

git clone https://github.com/ggml-org/whisper.cpp
cd whisper.cpp

sh ./models/download-ggml-model.sh large-v3-turbo

cmake -B build
cmake --build build --config Release

run

./build/bin/whisper-cli -m ./models/ggml-large-v3-turbo.bin -f samples/jfk.wav

whisper.cpp + core ML

以下、不足があるかもしれません

mac setting

• 最新の mac os へ upate する
  • ここでは macos sequoia 15.6 を想定
• python 3.12 を install
  • ここでは 3.12 で成功したが、環境により異なるかもしれません
• xcode install し、以下が表示されると恐らく良い

$  xcode-select -p
/Applications/Xcode.app/Contents/Developer

setup

git clone https://github.com/ggml-org/whisper.cpp
cd whisper.cpp

pip install coremltools
pip install openai-whisper
pip install ane_transformers
pip install torch==2.5.0

./models/generate-coreml-model.sh large-v3-turbo
./models/download-ggml-model.sh large-v3-turbo

cmake -B build -DWHISPER_COREML=1
cmake --build build -j --config Release

run

./build/bin/whisper-cli -m ./models/ggml-large-v3-turbo.bin -f samples/jfk.wav

実行時、以下の表記があれば core ML が有効化されている

whisper_init_state: loading Core ML model from './models/ggml-large-v3-turbo-encoder.mlmodelc'

system_info: n_threads = 4 / 8 | WHISPER : COREML = 1

faster-whisper

debian では cuda install と以下辺りが必要でした

sudo apt install libcudnn9-dev-cuda-13
sudo apt install libcublas-dev-12-9

mlx-whisper

以上となります

余談