Whisper・Qwen3-ASR・R2T2 比較 — WebGPU 実測

Q: 中国語でいちばん正確な音声認識モデルは？

GPU ありで厳密に数えると 四つが横並びです。FLEURS 150 発話で Whisper large-v3-turbo 7.5%、Qwen3-ASR 1.7B 7.7%、Qwen3-ASR 0.6B 8.0%、Confucius4-R2T2 8.2%（CER）。数字の書き方を無視すれば Qwen3-ASR 1.7B と R2T2 が 5.9% で先頭です。GPU がなければ、7.5% の Qwen3-ASR 0.6B が現実的な選択です。

音声認識・翻訳モデルの実測比較

ブラウザで動く音声認識・翻訳モデルを、GPU 1 枚と CPU で実測。誤り率、速度、容量、ライセンスを並べました。

資料ページです。ダウンロードするモデルはタブの中で動きます。Gemini Nano と Chrome Translator は端末上のモデルです。Chrome 音声認識の既定モードは、音声を Google のサーバーへ送ります。

ByteScope 実測（2026-09-27）：FLEURS テスト分割、1 言語 150 発話、ファイルモード。GPU：GTX 1060 6GB（shader-f16 なし）。CPU：WebAssembly 版、5 コア。Chrome 154.0.8037.57。

GPU ありの音声認識（WebGPU）

fp32 演算の WebGPU 版。shader-f16 のない GPU が使う版です。

モデル	ダウンロード	英語 WER	中国語 CER	中国語 CER（数字無視）	日本語 CER	RTF en / zh / ja
Whisper large (v3-turbo)	767.5 MB	4.8%	7.5%	7.2%	5.6%	0.386 / 0.315 / 0.329
Confucius4-R2T2	2,183.5 MB	6.1%	8.2%	5.9%	6.9%	0.189 / 0.153 / 0.181
Qwen3-ASR 1.7B	2,183.5 MB	6.9%	7.7%	5.9%	7.4%	0.193 / 0.154 / 0.190
Qwen3-ASR 0.6B	848.9 MB	8.1%	8.0%	6.3%	9.8%	0.102 / 0.083 / 0.099
Whisper small	594.4 MB	6.8%	11.7%	11.5%	13.4%	0.207 / 0.227 / 0.220
Whisper base	214.5 MB	10.5%	20.7%	20.7%	27.2%	0.133 / 0.160 / 0.163

誤り率は %、低いほど正確。RTF＝処理時間 ÷ 音声の長さで、1 未満なら実時間より速く終わります。

GPU の RTF は CPU 側の測定と同時に走らせた値で、上限として見てください。CPU が空いた状態での Whisper large-v3-turbo：0.260 / 0.263 / 0.241。

GPU なしの音声認識（CPU）

WebAssembly 版、CPU 5 コア。

モデル	発話数	ダウンロード	英語 WER	中国語 CER	日本語 CER	RTF en / zh / ja
Qwen3-ASR 1.7B	30	2,183.5 MB	6.5%	5.7%	6.5%	1.143 / 1.074 / 1.169
Qwen3-ASR 0.6B	150	848.9 MB	8.2%	7.5%	9.2%	0.543 / 0.456 / 0.523
Whisper small	150	418.1 MB	6.8%	11.6%	13.4%	1.601 / 1.333 / 1.166
Whisper base	150	103.4 MB	10.6%	19.5%	26.0%	0.382 / 0.339 / 0.328

誤り率は %、低いほど正確。RTF＝処理時間 ÷ 音声の長さで、1 未満なら実時間より速く終わります。

Qwen3-ASR 1.7B は CPU では 1 言語あたり最初の 30 発話だけ測りました。その範囲では英語と中国語の誤りの数が GPU 版とまったく同じでした。

翻訳：ブラインド評価

Hy-MT2 1.8B 対 Chrome Translator：FLORES／Tatoeba 280 文、5 方向、MQM によるブラインド評価、2026-09-27。

Hy-MT2 1.8B の勝ち	Chrome Translator の勝ち	引き分け	合計
139	66	75	280

重大な誤り：Hy-MT2 42、Chrome Translator 61。

Hy-MT2 1.8B 対 Gemini Nano：Tatoeba／FLORES 559 文、英中日の 6 方向、ブラインド評価、2026-09-28。

方向	Hy-MT2 1.8B の勝ち	Gemini Nano の勝ち	引き分け	Nano の出力なし（Hy-MT2 の勝ちに含む）
ja→en	22	18	59	0
ja→zh-Hant	44	14	42	9
zh→en	27	5	68	0
zh→ja	45	5	32	3
en→zh-Hant	26	12	40	0
en→ja	36	9	55	0
合計	200	63	296	12

引き分けの基準：中国本土と台湾の言い回し、固有名詞の音訳、簡体字だけの差は引き分けとしました。

Firefox Translations (Bergamot)・Chrome Translator・Hy-MT2 1.8B を同じ 300 文・6 方向で比較。評価者は一人で、各訳をブラインドで 0–4 点で採点、2026-09-28。平均点で、高いほど良い結果です。

方向	Firefox Translations (Bergamot)（平均）	Chrome Translator（平均）	Hy-MT2 1.8B（平均）	Firefox Translations (Bergamot) 対 Chrome Translator：勝ち / 負けの文数
en→zh-Hant	2.94	3.26	3.52	7 / 18
zh→en	3.46	3.08	3.64	18 / 7
ja→zh-Hant	2.96	2.82	3.40	17 / 14
en→ja	3.14	3.10	—	14 / 11
ja→en	3.48	3.28	—	14 / 8
zh→ja	3.12	2.86	—	18 / 9

— はその方向で Hy-MT2 1.8B を動かしていないことを示します。評価者は一人、各方向 50 文。中国本土と台湾の言い回し、音訳、簡体字だけの差は減点していません。

モデル一覧

ツールが読み込むモデル登録表から。名前は各モデルの正式名です。

モデル	用途	ダウンロード	動作環境	言語	ライセンス
Confucius4-R2T2	音声認識	2,183.5 MB	WebGPU、または CPU（WebAssembly）	対応: zh, en 一部対応: fr, de, it, ja, ko, pt, ru, es, ar	NetEase Youdao Model Use License Agreement ライセンス表示: Any modifications made to the original model in this Derivative Work are not endorsed, warranted, or guaranteed by the original right-holder of the original model, and the original right-holder disclaims all liability related to this Derivative Work.
Qwen3-ASR 1.7B	音声認識	2,183.5 MB	WebGPU、または CPU（WebAssembly）	対応: zh, en その他の言語は一部対応	Apache-2.0
Qwen3-ASR 0.6B	音声認識	848.9 MB	WebGPU、または CPU（WebAssembly）	対応: zh, en その他の言語は一部対応	Apache-2.0
Whisper large (v3-turbo)	音声認識	767.5 MB (WebGPU) 571.9 MB (WebGPU＋shader-f16, CPU)	WebGPU、または CPU（WebAssembly）	対応: en, zh, ja, ko, es, fr, de, it, pt, ru その他の言語は一部対応	MIT
Whisper small	音声認識	594.4 MB (WebGPU) 418.1 MB (WebGPU＋shader-f16, CPU)	WebGPU、または CPU（WebAssembly）	対応: en, zh, ja, ko, es, fr, de, it, pt, ru その他の言語は一部対応	MIT
Whisper base	音声認識	214.5 MB (WebGPU) 103.4 MB (WebGPU＋shader-f16, CPU)	WebGPU、または CPU（WebAssembly）	対応: en, zh, ja, ko, es, fr, de, it, pt, ru その他の言語は一部対応	MIT
Chrome Speech Recognition 既定のモードでは音声を Google のサーバーに送ります。	音声認識	ByteScope からは不要（Chrome が自分で管理）	Chrome に内蔵	Chrome の言語パック次第	Google Chrome
Gemini Nano	音声認識	ByteScope からは不要（Chrome が自分で管理）	Chrome に内蔵	対応: de, en, es, fr, ja 一部対応: zh その他の言語は一部対応	Google Generative AI Prohibited Use Policy
Hy-MT2 1.8B	翻訳	1,300.6 MB	WebGPU のみ	対応: zh, yue, en, ja, ko, fr, de, es, pt, ru, it, ar, th, vi, tr その他の言語は一部対応	Apache-2.0
Chrome Translator	翻訳	ByteScope からは不要（Chrome が自分で管理）	Chrome に内蔵	Chrome の言語パック次第	Google Chrome
Firefox Translations (Bergamot)	翻訳	365.3 MB	CPU（WebAssembly）のみ	対応: en, zh, zh-Hant, ja	MPL-2.0
Gemini Nano	翻訳	ByteScope からは不要（Chrome が自分で管理）	Chrome に内蔵	対応: de, en, es, fr, ja 一部対応: zh その他の言語は一部対応	Google Generative AI Prohibited Use Policy
Qwen3-ForcedAligner 0.6B	単語タイミング	1,847.6 MB	WebGPU、または CPU（WebAssembly）	対応: zh, en, ja 一部対応: yue, fr, de, it, pt, ru, es	Apache-2.0

公称値（比較不可）

開発元が自分たちのテストセットとハードウェアで公表した数字です。ByteScope は測っていません。

モデル	指標	値	テストセット	条件
Confucius4-R2T2	WER	2.13% 比較：WhisperRT 3.71%	LibriSpeech test-clean	160 ms streaming chunks 出典
Confucius4-R2T2	CER	5.87% 比較：Qwen3-ASR-1.7B (streaming) 8.81%	WenetSpeech test-net	160 ms streaming chunks 出典
Qwen3-ASR 1.7B	CER	2.71% 比較：Whisper large-v3 5.06%	AISHELL-2 test	offline 出典
Qwen3-ASR 1.7B	WER	1.63% 比較：Whisper large-v3 1.51%	LibriSpeech test-clean	offline 出典
Qwen3-ASR 1.7B	RTF	0.215	41 s Japanese clip	WebGPU, file mode, the qwen-asr author's machine (4.66x realtime) 出典
Qwen3-ASR 1.7B	RTF	0.84	1 s streaming chunks	WebGPU, streaming, the qwen-asr author's machine (1.19x realtime) 出典

この測定について

測り方

表の数字はすべて ByteScope が Chrome 上で、字幕・キャプションツールと同じコードを通して測ったものです。音声認識は FLEURS のテスト分割から 1 言語 150 発話、1 発話 1 ファイルで評価しました。英語は単語誤り率（WER）、中国語と日本語は文字誤り率（CER）で、低いほど正確です。中国語は双方を簡体字にそろえてから比べています。GPU は shader-f16 を持たない GTX 1060 6GB、CPU は WebAssembly 版で、Chrome が使えるコアを 5 に絞りました。RTF は処理時間を音声の長さで割った値で、1 を下回れば再生より速く終わります。ここに出した速度は、このマシン 1 台で測った数字です。

いちばん正確な音声認識モデル

GPU があれば、英語（WER 4.8%）と日本語（CER 5.6%）で最も正確なのは Whisper large-v3-turbo です。日本語では他のどのモデルとの差も誤差の範囲を超えています。中国語は厳密に数えると turbo（7.5%）、Qwen3-ASR 1.7B（7.7%）、Qwen3-ASR 0.6B（8.0%）、Confucius4-R2T2（8.2%）の四つが統計的に横並びです。数字の書き方を無視すると Qwen3-ASR 1.7B と R2T2 は 5.9% まで下がり、turbo の 7.2% をはっきり上回ります。Qwen 系は数字を漢数字で書き、FLEURS の正解は算用数字だからです。Whisper small と base は中国語・日本語で大きく離されています。

GPU がない場合

CPU だけなら、中国語（CER 7.5%）と日本語（9.2%）は Qwen3-ASR 0.6B が第一候補で、RTF 0.456–0.543 と音声より速く処理が終わります。英語は Whisper small（WER 6.8%）と Qwen3-ASR 0.6B（8.2%）が誤差の範囲で並びますが、small は CPU だと RTF 1.601 で、録音の長さ以上に待たされます。Qwen3-ASR 1.7B は CPU でも英語と日本語で 0.6B より正確ですが、RTF 1.143 と実時間より遅いため、CPU では 1 言語あたり最初の 30 発話だけを測りました。Chrome 音声認識と Gemini Nano は GPU も ByteScope からのダウンロードも不要ですが、今回の測定には含めていません。

翻訳

Hy-MT2 1.8B と Chrome 内蔵の Translator を、FLORES と Tatoeba の 280 文・5 方向でブラインド評価しました。Hy-MT2 が選ばれたのは 139 回、Chrome Translator は 66 回、引き分け 75 回で、重大な誤りは 42 対 61 でした。Gemini Nano とは英中日のすべての方向で 559 文を比べ、200 対 63、引き分け 296。Hy-MT2 は 6 方向すべてで上回り、僅差だったのは日本語→英語（22 対 18）だけです。この回では、中国本土と台湾の言い回しの違い、固有名詞の音訳、簡体字だけの差は引き分けとし、繁体字中国語の出力は両方とも同じ補正を通してから評価しました。Hy-MT2 には WebGPU が必要で、Chrome Translator と Gemini Nano は Chrome に付いてきます。Firefox Translations（Bergamot）は別の回で、同じ文を使って Chrome Translator・Hy-MT2 と並べて評価しました。英中日の六方向のうち五方向で Chrome Translator を上回り、下回ったのは英語→繁体字中国語だけです。CPU で動くので、Hy-MT2 が動かない環境では、この五方向でツールがこれを勧めます。

この比較の限界

測ったのは GPU 1 枚、マシン 1 台です。GTX 1060 には shader-f16 がないため、Whisper のダウンロードを小さくする f16 版は測れていません。GPU の速度測定は CPU 側の測定と同時に走っていたので、GPU の RTF は上限値として見てください。CPU が空いた状態で Whisper large-v3-turbo を測り直すと 0.260、0.263、0.241 でした。数字はすべてファイルモードで、音声を区切りながら文字にするライブキャプションの経路は測っていません。Gemini Nano との翻訳評価は評価者が 1 人です。モデルの開発元が公表している数字は「公称値」として別の表に分けました。テストセットもハードウェアも違うので、この表とは比べられません。

ブラウザの外に出るもの

ここに挙げたモデルは、音声も文字もアップロードしません。例外は 1 つだけで、画面にも明示しています。Whisper、Qwen3-ASR、Confucius4-R2T2、Hy-MT2、Qwen3-ForcedAligner は一度ダウンロードすればタブの中で動き、Gemini Nano と Chrome Translator は Chrome 自身のオンデバイスモデルです。Chrome 音声認識だけは、既定のモードだと音声を Google のサーバーに送ります。各ツールのエンジンカードにもそう表示されます。

よくある質問

中国語でいちばん正確な音声認識モデルは？

GPU ありで厳密に数えると四つが横並びです。FLEURS 150 発話で Whisper large-v3-turbo 7.5%、Qwen3-ASR 1.7B 7.7%、Qwen3-ASR 0.6B 8.0%、Confucius4-R2T2 8.2%（CER）。数字の書き方を無視すれば Qwen3-ASR 1.7B と R2T2 が 5.9% で先頭です。GPU がなければ、7.5% の Qwen3-ASR 0.6B が現実的な選択です。

英語と日本語でいちばん正確なモデルは？

Whisper large-v3-turbo です。GPU ありで英語 WER 4.8%、日本語 CER 5.6%。日本語では他のすべてのモデルに誤差以上の差をつけ、英語では Confucius4-R2T2 の 6.1% が誤差の範囲に入ります。CPU の英語は誤差の範囲で横並びです。Whisper small は 150 発話で WER 6.8%、Qwen3-ASR 1.7B は 150 発話相当の 6.9%（GPU の数字で、CPU の 30 発話は 6.5%）、Qwen3-ASR 0.6B は 8.2% です。small の処理は音声より遅くなります。

GPU がなくても使えるモデルは？

音声認識はすべて使えます。翻訳で GPU が必須なのは WebGPU が要る Hy-MT2 1.8B だけです。Whisper と Qwen3-ASR には CPU 用の WebAssembly 版があり、Chrome 音声認識、Gemini Nano、Chrome Translator は Chrome に組み込まれています。CPU で音声より速く終わるのは Qwen3-ASR 0.6B（RTF 0.456–0.543）と Whisper base（0.328–0.382）で、Whisper small と Qwen3-ASR 1.7B は間に合いません。ただし Confucius4-R2T2 は、WebGPU がないと話しながら一語ずつ出るストリーミングが使えず、一文ずつかファイル単位になり、CPU では音声より遅くなります。一語ずつ出る字幕には GPU が必要です。

ダウンロードの容量は？

今回測った WebGPU 版で、Whisper base 214.5 MB、Whisper small 594.4 MB、Whisper large-v3-turbo 767.5 MB（CPU 版と f16 版はそれぞれ 103.4、418.1、571.9 MB と小さめ）、Qwen3-ASR 0.6B 848.9 MB、Qwen3-ASR 1.7B と Confucius4-R2T2 は各 2,183.5 MB、Hy-MT2 1.8B 1,300.6 MB、Qwen3-ForcedAligner 0.6B 1,847.6 MB です（MB は十進法）。どれも確認してから一度だけダウンロードし、ByteScope のツール全体で共有します。Chrome 音声認識、Gemini Nano、Chrome Translator は ByteScope から何もダウンロードしません。

音声はブラウザの外に送られますか？

いいえ。例外は 1 つで、画面にも表示しています。ダウンロードしたモデルはすべてタブの中で動き、Gemini Nano と Chrome Translator は Chrome のオンデバイスモデルです。Chrome 音声認識は既定のモードだと音声を Google のサーバーに送ります。エンジンカードにそう書いてあり、他のモデルを選べば避けられます。

Confucius4-R2T2 は Whisper より優れていますか？

言語によります。GPU ありで R2T2 は英語 WER 6.1%、Whisper large-v3-turbo は 4.8% で誤差の範囲。中国語 CER は 8.2% 対 7.5% で引き分け、日本語は 6.9% 対 5.6% で turbo がはっきり上です。数字の書き方を無視すると R2T2 の中国語は 5.9% になり、turbo の 7.2% を上回ります。このカードでは R2T2 のほうが速く（RTF 0.153–0.189 対 0.315–0.386）、Live Captions では話している途中から文字が流れますが、ダウンロードは 2,183.5 MB と turbo の 767.5 MB より大きくなります。

開発元が公表している誤り率が低いのはなぜ？

テストセットもハードウェアも違うからです。Qwen3-ASR のリポジトリは 1.7B で LibriSpeech test-clean の WER 1.63%、AISHELL-2 の CER 2.71% を、Confucius4-R2T2 のモデルカードは LibriSpeech test-clean の WER 2.13% を公表しています。これは公称値として別の表に分けました。ByteScope は量子化版をブラウザで FLEURS に対して動かしているので、直接は比べられません。

翻訳にはどのモデルを使えばいい？

GPU が使えるなら Hy-MT2 1.8B です。ブラインド評価で Chrome Translator に 139 対 66（引き分け 75）、Gemini Nano に 200 対 63（引き分け 296）で勝ち、WebGPU が動く環境ではツールもこれを勧めます。GPU がなければ、英中日の六方向のうち五方向では CPU で動く Firefox Translations（Bergamot）が Chrome Translator より高く評価され、ツールもこれを勧めます。英語→繁体字中国語は Chrome Translator のほうが高く、そのまま既定です。Chrome Translator は ByteScope からのダウンロードが要らず、対応していない言語の組み合わせは Gemini Nano が補います。