Whisper large-v3-turboとは？
Whisper large-v3-turboは、Whisper large-v3を枝刈りしてファインチューニングしたもので、2024年10月にOpenAIがMITライセンスで公開しました。large-v3のエンコーダーはそのままに、デコーダーを32層から4層に減らしています。OpenAIのGitHubのREADMEによると、速度はlarge-v3の約8倍で、VRAMは約6GBです。Hugging Faceのページでは、ダウンロード数は1億2,400万（124 million）を超えています。
OpenAIは2026年8月26日、ホスト型のwhisper-1 APIモデルと/v1/audio/translationsエンドポイントを2027年2月26日に削除し、gpt-transcribeとgpt-live-transcribeに移行すると開発者に通知しました。オープンウェイトには影響しませんが、OpenAIはこれ以降、新しいWhisperのチェックポイントを出していません。
Whisper large-v3-turboは使う価値があるか？
Whisper large-v3-turboが生き残っているのは、精度ではなく価格とライセンスのためです。Artificial Analysisの計測では、GroqでAA-WERは4.6%、1,000分あたり$0.67、実時間の約200倍の速さです。ElevenLabs Scribe v2は2.2%、MistralのVoxtral Small Transcribe 3は2.1%なので、トップのモデルの誤りは半分未満ですが、価格は5〜6倍です。
速度は大胆な削減から来ています。デコーダーは32層ではなく4層です。OpenAIのREADMEは、turboが翻訳用に学習されていないことを明記しています。Whisperの英語への翻訳モードに頼る人はlarge-v3を使う必要があり、Groq自身のドキュメントもturboでは翻訳を非対応としています。Groqはホスト型モデルの単語誤り率も独自に公開しており、large-v3の10.3%に対して12%です。どのホストでも、turboはスループットのために精度をいくらか犠牲にしていることを思い出させてくれます。
モデルカードのハルシネーションについての警告は今も当てはまります。Whisperは弱いラベル付けのWeb音声で学習されており、話されていないテキストを出力することがあります。OpenAIは、言語、アクセント、方言によって精度にばらつきがあり、リソースの少ない言語では精度が低いと報告しています。
使われ続けている理由は、その周りに作られたすべてのものです。faster-whisper、whisper.cpp、Transformersのパイプライン、無数のファインチューニング版、GroqからTogether AIまでのホストがあります。NvidiaのParakeet TDT 0.6B v3は同じリーダーボードでわずかに良い4.5%を記録し、Together AIではより速く動きますが、1,000分あたり$1.50で、Groqのturboの2倍以上の価格です。
真価を発揮する場面
10,000時間のバックカタログを持つポッドキャストネットワーク
全エピソードを検索可能にし、番組概要の下書きを作る
アーカイブを1時間$0.04のGroqでバッチ処理すると全体で約$400です。その後、フラグの付いたエピソードだけを高価なモデルに送って修正します。精度は検索には十分ですが、一字一句の引用には向きません。
音声を第三者に送れないヘルステックのスタートアップのプラットフォームエンジニア
医師の口述をオンプレミスで文字起こしする
プライベートネットワーク内の8GB以上のGPU 1基で、faster-whisperを通してturboを動かします。APIの請求やベンダーとのデータ処理契約はありませんが、医療用語の評価と誤りの修正はチームが担います。
音声メモアプリを作る2人のチーム
分単位の請求なしに端末上の文字起こしを追加する
turboの重みと一緒にwhisper.cppを組み込みます。MITライセンスでは、ライセンス表示以外の帰属表示なしに有料アプリに同梱できます。アクセントやリソースの少ない言語では結果が弱くなることを見込んでください。
導入前に確認すること
- 導入
- pip install openai-whisperでwhisper audio.mp3 --model turboを実行するか、GroqのOpenAI互換の文字起こしエンドポイントをwhisper-large-v3-turboで呼び出します。どちらも数分で済みます。
- 連携
- Transformers、faster-whisper、whisper.cpp、ほとんどの音声ツールキットに対応します。GroqやTelnyxなどがホストしており、Groqは無料枠で最大25MB、devの階層で100MBのファイルを受け付けます。
- データとプライバシー
- MITのオープンウェイトなので、自前ホスティングなら音声を完全に自分の管理下に置けます。ホスト型APIでは、保持はOpenAIではなくホストの規約に従います。
- 大規模利用時のコスト
- Groqは音声1時間あたり$0.04で、リクエストごとに最低10秒が課金されるため、月100,000時間で約$4,000です。自前ホスティングには約6GBのVRAMのGPUがあれば足ります。
- 制限
- 受容野は30秒なので、長い音声は分割するか順番に処理します。翻訳はできません。Groqはturboのエンドポイントで12%のWER、large-v3で10.3%としています。
良い点
- 利用分野や売上の制限がないMITライセンスです
- Groqで音声1時間あたり$0.04です
- 約6GBのVRAMで動くので、一般向けGPU 1枚で足ります
- ほぼすべての音声ツールキットとホストが対応しています
気になる点
- AA-WERは4.6%で、Scribe v2やVoxtral Transcribe 3の約2倍の誤りです
- large-v3と違い、翻訳用に学習されていません
- 話されていないテキストをハルシネーションで出力することがあります
- 2024年10月以降、新しいWhisperのチェックポイントはありません
おすすめの人
自前でホストできるか、1時間数セントで買える、安価で寛容なライセンスの文字起こしが必要で、2番手の精度を受け入れられるチームです。
Whisper large-v3-turboの代替
Whisper large-v3-turbo：よくある質問
- Whisper large-v3-turboは使う価値があるか？
- Whisper turboは今や、勝つモデルではなく、新しい音声モデルが比較される安価で制限のない基準です。 評価は5点満点中3.7点です。
- Whisper large-v3-turboの料金は？
- MITライセンスで無料です。ホスト版も安く、Artificial AnalysisではGroqが1,000分あたり約$0.67とされています。
- Whisper large-v3-turboの欠点は？
- AA-WERは4.6%で、Scribe v2やVoxtral Transcribe 3の約2倍の誤りです; large-v3と違い、翻訳用に学習されていません; 話されていないテキストをハルシネーションで出力することがあります; 2024年10月以降、新しいWhisperのチェックポイントはありません.
- Whisper large-v3-turboは誰に向いているか？
- 自前でホストできるか、1時間数セントで買える、安価で寛容なライセンスの文字起こしが必要で、2番手の精度を受け入れられるチームです。
- チームや本番環境でWhisper large-v3-turboを使うと費用はいくらか？
- Groqは音声1時間あたり$0.04で、リクエストごとに最低10秒が課金されるため、月100,000時間で約$4,000です。自前ホスティングには約6GBのVRAMのGPUがあれば足ります。
- Whisper large-v3-turboは企業データを扱っても安全か？
- MITのオープンウェイトなので、自前ホスティングなら音声を完全に自分の管理下に置けます。ホスト型APIでは、保持はOpenAIではなくホストの規約に従います。
- Whisper large-v3-turbo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ElevenLabs Scribe v2, GPT Transcribe, Deepgram Nova-3, Parakeet TDT 0.6B v3 、 MOSS-Transcribe-Diarize 0.9Bです。
回答確認日：2026年10月22日