VibeVoice-ASRとは？
VibeVoice-ASRはMicrosoft Researchのオープンな音声認識モデルで、2026年1月21日にMITライセンスで公開されました。64Kトークンのウィンドウ内で最大60分の音声を1回で処理し、誰が、いつ、何を話したかを構造化した文字起こしを出力します。文字起こし、話者ダイアライゼーション、タイムスタンプを1つにまとめたものです。50を超える言語に対応し、コードスイッチングも扱い、人名や専門用語向けにカスタムのホットワードを受け付けます。
VibeVoiceファミリーの一員で、その経緯は重要です。Microsoftは2025年8月にVibeVoiceの音声合成モデルを公開しましたが、「表明された意図と一致しない方法で使われた」ことが判明し、2025年9月にGitHubからコードを削除しました。TTSの重みはHugging Faceに残っており、音声によるAIの免責表示と透かしが組み込まれていますが、研究用に限定されています。ASRの系統は続いており、2026年7月にCPU向けのBitNetビルド、2026年9月にStreaming版が出ています。
VibeVoice-ASRは使う価値があるか？
VibeVoice-ASRは、録音が短いクリップではなく長い会議のときに手に取るべきオープンモデルです。WhisperやParakeetが返すのは単語で、誰がいつ話したかを判別するのは、独自の誤りを持つ2つ目のモデルです。Microsoftのモデルは、64Kトークンの1つのウィンドウで最大60分にわたって両方をこなします。これにより、最初の1分から最後まで話者ラベルが一貫します。
Microsoftは現在、数値をグラフだけでなくテキストでも公開しています。多言語のMLC-Challenge会議セットでは、11言語の平均でダイアライゼーション誤り率3.42%、WER 12.07%と報告しており、英語の7.99%からポルトガル語の21.54%までの幅があります。離れた1本のマイクで録った英語（AMI-SDM）では、WERは24.65%に上がります。これらは自己申告の会議ベンチマークで、多くのリーダーボードが使う朗読音声のセットではありません。モデルはArtificial Analysisのspeech-to-textボード（10月26日時点で61モデルを評価）にまだ載っていません。そこではホスト型のParakeetが4.5%、ElevenLabs Scribe v2が2.2%です。
文字起こしモデルとしては重いです。Hugging Faceでは約90億（9 billion）パラメータ、BF16の重みが17 GBとされており、Parakeetは6億（0.6 billion）です。Microsoftのインストールガイドは、flash attention付きのNVIDIA PyTorchコンテナから始まります。BitNetビルドのVibeASR.cppはモデルを1.58 GBに縮め、Microsoftによると3つのCPUスレッドで実時間より速く動きます。MITライセンスは商用利用を認めていますが、READMEはモデルを「研究開発目的のみを意図したもの」とし、さらなるテストなしの商用利用を勧めていません。法務チームが細かく読む一文です。
ファミリーの悪用の経緯は音声合成に関するものです。Microsoftは2025年9月にVibeVoiceのTTSのコードを取り下げました。文字起こしにはなりすましのリスクはなく、ASRの系統は出荷を続けています。2026年3月にTransformersへの対応とAzure AI Foundry Labsへの掲載があり、9月にはホットワード付きのストリーミングモデルが出ました。そのストリーミングモデルの対応言語は10で、バッチモデルの5分の1です。
真価を発揮する場面
データセンター向けGPUに余裕がある200人規模の企業のプラットフォームエンジニア
音声を外に出さずに、録画した会議を話者ラベル付きで文字起こしする
vLLMでモデルを提供し、最長1時間の録音を1件ずつ1リクエストで送り、出席者の名前やプロジェクト用語をホットワードとして渡します。分単位の料金はなく、コストはGPU時間で、音声がネットワークの外に出ることはありません。
月40時間のインタビューを公開するポッドキャスト制作会社
番組概要と字幕用に、話者ラベル付きの文字起こしを得る
1エピソードを1回で処理すると、誰が何を話したかがタイムスタンプ付きで返り、Whisperとダイアライゼーションを組み合わせたパイプラインに置き換わります。比較すると、ElevenLabs Scribe v2で2,400分はElevenLabsの1時間$0.22で月約$9なので、自前ホスティングが割に合うのは、GPUがすでにあるか音声を社内にとどめる必要がある場合だけです。
ノートPCでインタビューを録音するフィールド研究者
GPUもクラウドサービスも使わずに文字起こしする
BitNetビルドのVibeASR.cppは1.58 GBで、Microsoftによると3つのCPUスレッドで実時間より速く動きます。フルモデルと比べた精度は、私たちが読んだ数値には含まれていません。
導入前に確認すること
- 導入
- Microsoftのガイドは、NVIDIA PyTorch 25.12コンテナから始め、pipでflash attentionとリポジトリをインストールします。Transformersは2026年3月からネイティブで読み込めます。vLLMでの提供は別のガイドにあります。
- 連携
- Transformers、vLLM、CPU向けのVibeASR.cpp、Azure AI Foundry Labsに対応します。Hugging Faceの推論プロバイダーでホストしているところはありません。ファインチューニングの手順はGitHubにあります。
- データとプライバシー
- 自前ホスティングなので、音声は自分のハードウェアにとどまります。MITライセンスは商用利用を認めていますが、READMEはモデルを研究開発用と説明し、商用導入の前にさらなるテストを求めています。
- 大規模利用時のコスト
- ホスト型の価格はありません。自前ホスティングでは、GPU上の約17 GBのBF16の重みか、CPU上の1.58 GBのBitNetビルドになります。参考までに、Together AIはホスト型のParakeetで1,000分あたり$1.50、ElevenLabsはScribe v2で約$3.67（1時間$0.22）です。
- 制限
- 64Kトークンのウィンドウで1回あたり60分なので、それより長い録音は分割が必要です。自己申告のWERは英語の会議の7.99%から遠距離のAMI-SDMの24.65%までです。ストリーミング版の対応言語は10 だけです。
良い点
- 文字起こし、話者ラベル、タイムスタンプを1回で出力します
- 1回あたり最大60分、50以上の言語、カスタムのホットワードに対応します
- MITライセンスで、TransformersとvLLMに対応します
- 1.58 GBのBitNetビルドはCPUで動きます
気になる点
- 約9Bパラメータで、重みは17 GBあります
- 精度は自己申告のみで、遠距離のAMI-SDMではWERが24.65%です
- READMEはさらなるテストなしの商用利用を勧めていません
- ホスト型の推論プロバイダーはなく、AzureではFoundry Labs経由です
おすすめの人
複数の話者がいる長い録音を自前のハードウェアで文字起こしし、別のダイアライゼーション工程なしに話者ラベルがほしいチームです。
VibeVoice-ASRの代替
VibeVoice-ASR：よくある質問
- VibeVoice-ASRは使う価値があるか？
- VibeVoice-ASRは1時間の会議を1回で話者ラベル付きの文字起こしにします。ただし、精度の数値は今もすべてMicrosoft自身のものです。 評価は5点満点中3.8点です。
- VibeVoice-ASRの料金は？
- MITライセンスで無料です。Azure AI Foundry Labsでも利用できます。
- VibeVoice-ASRの欠点は？
- 約9Bパラ メータで、重みは17 GBあります; 精度は自己申告のみで、遠距離のAMI-SDMではWERが24.65%です; READMEはさらなるテストなしの商用利用を勧めていません; ホスト型の推論プロバイダーはなく、AzureではFoundry Labs経由です.
- VibeVoice-ASRは誰に向いているか？
- 複数の話者がいる長い録音を自前のハードウェアで文字起こしし、別のダイアライゼーション工程なしに話者ラベルがほしいチームです。
- チームや本番環境でVibeVoice-ASRを使うと費用はいくらか？
- ホスト型の価格はありません。自前ホスティングでは、GPU上の約17 GBのBF16の重みか、CPU上の1.58 GBのBitNetビルドになります。参考までに、Together AIはホスト型のParakeetで1,000分あたり$1.50、ElevenLabsはScribe v2で約$3.67（1時間$0.22）です。
- VibeVoice-ASRは企業データを扱っても安全か？
- 自前ホスティングなので、音声は自分のハードウェアにとどまります。MITライセンスは商用利用を認めていますが、READMEはモデルを研究開発用と説明し、商用導入の前にさらなるテストを求めています。
- VibeVoice-ASR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Parakeet TDT 0.6B v3, Whisper large-v3-turbo, ElevenLabs Scribe v2 、 MOSS-Transcribe-Diarize 0.9Bです。
回答確認日：2026年10月26日