Parakeet TDT 0.6B v3とは？
Parakeet TDT 0.6B v3は、NVIDIAによる6億（600 million）パラメータの音声認識モデルで、2025年8月14日にHugging FaceでCC BY 4.0ライセンスのもと公開されました。このライセンスは帰属表示をすれば商用利用を認め ています。英語専用だったv2を、ブルガリア語からウクライナ語まで25のヨーロッパ言語に広げ、言語を自動で判別します。
句読点、大文字、単語・セグメント・文字単位のタイムスタンプを付け、A100 80GB上のfull attentionで最長24分、local attentionで最長3時間の音声を扱えます。NVIDIAによると、読み込みには少なくとも2GBのメモリが必要です。NVIDIAのNeMoツールキット、Hugging Face Transformers、軽量なNeMo-Speech.cppランタイムで動き、NeMoにはチャンク分割のストリーミング用スクリプトが含まれています。
Parakeet TDT 0.6B v3の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | CC BY 4.0 |
| Together AI | $0.0015 a minute ($1.50 per 1,000 minutes) |
CC BY 4.0で無料です。Together AIのホスト版は1分あたり$0.0015（1,000分あたり$1.50）です。
Parakeet TDT 0.6B v3は使う価値があるか？
Parakeet v3は、Artificial Analysisが測定する中で最速の文字起こしモデルです。Together AIでの提供版は実時間の617.7倍で動き、546.2倍のDeepgram Nova-3を上回ります。1時間の 音声が約6秒で返ってくる計算です。精度は平凡です。AA-WERは4.5%で、Together上のWhisper large-v3と並び、62件中39位です。
ホスト版での利用は、セルフホストに比べて分が悪くなります。Togetherは1,000分あたり$1.50を請求しますが、GroqのWhisper large-v3-turboは誤り率4.6%で$0.67です。APIだけが欲しい利用者は、必要ないかもしれない速度に2倍以上を払うことになります。精度の首位層もすでに先へ進んでいます。MicrosoftのMAI-Transcribe-2は$1.67で2.0%、MistralのVoxtral Small Transcribe 3は2.1%に達します。
このモデルが真価を発揮するのは自前のハードウェアです。6億（600 million）パラメータで必要メモリは最低2GBなので、1枚のGPU上で他の処理と同居でき、タイムスタンプも追加費用なしで付き、NVIDIAの3時間のlocal attentionモードは、会議や法廷の審理をまるごとチャンク分割の処理なしで扱えます。NVIDIAは128基のA100で学習させ、その元になったGranaryコーパスも公開されています。多くの商用の競合よりも学習の透明性は高いと言えます。
対応言語が境界線です。対応するのは25のヨーロッパ言語だけで、それ以外はありません。アラビア語、ヒンディー語、中国語の通話を受けるコンタクトセンターには、Whisperかホスト型モデルを併用する必要があります。また、CC BY 4.0の帰属表示の要件は、WhisperのMITに比べて法務確認の項目が1つ増えることになります。
真価を発揮する場面
月10,000時間の放送を処理するドイツのメディアモニタリング企業のMLエ ンジニア
自社GPUでヨーロッパのテレビとラジオを文字起こしし、タイムスタンプを付ける
既存のGPU上でParakeet v3をNeMoで動かします。Artificial AnalysisがTogetherで測定した実時間の617.7倍なら、月10,000時間は約16時間の処理で済みます。同じ600,000分をTogetherで処理すると約$900かかります。
ヨーロッパ全域向けのビデオ会議アプリでライブ字幕を作る製品チーム
ユーザーに言語を選ばせず、話者の言語で通話に字幕を付ける
25言語の自動言語判別とNeMoのチャンク分割ストリーミング用スクリプトで基本はまかなえます。英語、フランス語、ドイツ語の通話は機能しますが、トルコ語やアラビア語を話す参加者には使える結果が出ません。
EU域外に出せない法廷録音を扱うリーガルテックのスタートアップ
最長3時間の審理のタイムスタンプ付き文字起こしを作る
local attentionなら3時間のファイルをオンプレミスで一度に処理でき、音声が第三者のAPIに届くことはありません。代償は4.5%の誤り率で、名前や数字は引き続き人による確認が必要です。
導入前に確認すること
- 導入
- NeMoをpip installし、from_pretrainedでnvidia/parakeet-tdt-0.6b-v3を読み込んで、timestamps=Trueでtranscribeを呼びます。NVIDIAがサポート対象として挙げるプラットフォームはLinuxです。
- 連携
- NeMo、Hugging Face Transformers、NeMo-Speech.cppに対応し、ホスト型のエンドポイントにはTogether AIがあります。NVIDIAのNIMのページが扱うのはv2で、v3ではありません。
- データとプライバシー
- CC BY 4.0は帰属表示をすれば商用利用を認め、売上の上限もありません。セルフホストなら音声は自社のハードウェアから出ません。Togetherのホスト版には同社のデータ保持条件が適用されます。
- 大規模利用時のコスト
- セルフホストでは読み込みに2GBしか必要ないため、最近のNVIDIA GPUならどれでも動きます。Togetherのホスト版では月600,000分で約$900かかり、同じ量をGroqのWhisper turboで処理すれば約$400です。
- 制限
- 25のヨーロッパ言語のみです。A100 80GB上のfull attentionで1ファイル24分、local attentionで3時間まで。AA-WERは4.5%です。
良い点
- Together AIで実時間の617.7倍、Artificial Analysisのランキングで1位
- 6億（600M）パラメータで、2GBのメモリで読み込み可能
- 単語・セグメント・文字のタイムスタンプ。local attentionで1ファイル最長3時間
気になる点
- 25のヨーロッパ言語のみ
- AA-WERは4.5%で、Scribe v2やVoxtral Small Transcribe 3の約2倍の誤り
- Togetherのホスト版は1,000分あたり$1.50で、GroqのWhisper turboの$0.67より高い
- CC BY 4.0は帰属表示が必要
おすすめの人
速度と低コストを重視し、ヨーロッパ言語の音声を大量に文字起こしする開発者。
Parakeet TDT 0.6B v3の代替
Parakeet TDT 0.6B v3：よくある質問
- Parakeet TDT 0.6B v3は使う価値があるか？
- Parakeet v3は文字起こしの速度記録を持つモデルで、精度はWhisper並み、対応範囲はヨーロッパに厳しく限られます。 評価は5点満点中4.1点です。
- Parakeet TDT 0.6B v3の料金は？
- CC BY 4.0で無料です。Together AIのホスト版は1分あたり$0.0015（1,000分あたり$1.50）です。
- Parakeet TDT 0.6B v3の欠点は？
- 25のヨーロッパ言語のみ; AA-WERは4.5%で、Scribe v2やVoxtral Small Transcribe 3の約2倍の誤り; Togetherのホスト版は1,000分あたり$1.50で、GroqのWhisper turboの$0.67より高い; CC BY 4.0は帰属表示が必要.
- Parakeet TDT 0.6B v3は誰に向いているか？
- 速度と低コストを重視し、ヨーロッパ言語の音声を大量に文字 起こしする開発者。
- チームや本番環境でParakeet TDT 0.6B v3を使うと費用はいくらか？
- セルフホストでは読み込みに2GBしか必要ないため、最近のNVIDIA GPUならどれでも動きます。Togetherのホスト版では月600,000分で約$900かかり、同じ量をGroqのWhisper turboで処理すれば約$400です。
- Parakeet TDT 0.6B v3は企業データを扱っても安全か？
- CC BY 4.0は帰属表示をすれば商用利用を認め、売上の上限もありません。セルフホストなら音声は自社のハードウェアから出ません。Togetherのホスト版には同社のデータ保持条件が適用されます。
- Parakeet TDT 0.6B v3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はWhisper large-v3-turbo, VibeVoice-ASR 、 Deepgram Nova-3です。
回答確認日：2026年10月23日