Whistleとは？
Whistleは、Y Combinatorが支援するオンデバイスAIの会社Cactus Computeによる音声認識モデルで、2026年10月2日に公開されました。モデル全体は2ビットから4ビットに量子化した16.9 MBのファイル1つです。英語、ドイツ語、フランス語、スペイン語、イタリア語、オランダ語、ポーランド語を書き起こし、言語を自分で判定し、単語ごとのタイムスタンプを返し、テキストの代わりに音声の埋め込みを出力することもできます。キーワードの一覧を与えると、想定される名前や専門用語に寄せてデコードします。
Cactusのツール呼び出しのモデルNeedleと同じC++のエンジンで動くので、1つのバイナリで音声のクリップを受け取り、1回の手順でツール呼び出しを返せます。デコーダーは段階構造になっており、2層以上のどの深さでも使えるモデルになるので、読み込み時に精度と大きさを引き換えにできます。
重みはApache 2.0ですが、エンジンはソースではなくビルド済みのバイナリとして提供されます。$10のマイクロコントローラーESP32-S3でWhistleを動かす、広く共有されたデモは、Better Stackが10月19日に取り上げたもので、その動画のために作られた独立の再実装（GitHubのandrisgauracs/whistle-esp32）です。Cactusはマイクロコントローラー向けのビルドを提供していません。
Whistleは使う価値があるか？
Whistleが注目に値するのは、大きさに対する精度の比率です。16.9 MBで、Whisper baseより8.6倍小さく、Cactusの数字では、LibriSpeechのtest-clean（単語誤り率4.31%）、test-other（10.49%）、SPGISpeech、Earnings-22、FLEURSの平均でWhisper baseを上回ります。Apple M4 Proでは、10秒のクリップで最初のトークンまで11.1 msで、Whisper baseは73.2 msです。デコードは毎秒1,319トークンです。
比較の相手は慎重に選ばれています。Whistleは、はるかに正確ではるかに大きいWhisper large-v3-turboやParakeetとは比べられていません。Whisper baseはいまもTED-LIUM、AMIの会議の音声（Whistleは26.07%）、MLSの多言語の平均で勝っているので、講義や会議は苦手な領域です。競合のスコアは再計測ではなく、それぞれの作者が公表したもので、Cactusはそのことを率直に書いています。
$10のチップの話は本当ですが、注釈が必要です。Better Stackの移植版は、デコーダーを4層（14.5 MB）に削り、16 MBのフラッシュと8 MBのPSRAMを持つESP32-S3で動かすために独自のCのエンジンを書きました。2秒のコマンドの書き起こしに6.3秒かかり、深さ4ではLibriSpeechの73のクリップで単語誤り率が11.7%で、オランダ語はモデル自体の認識が不十分です。その記録では、公式のエンジンが10秒間のマイクのノイズを「Thank you」と書き起こすことも見つかっており、音声区間の検出による関門は必須です。
主な懸念は条件です。重みはApache 2.0ですが、エンジンはソースが公開されていないビルド済みのライブラリなので、移植するにはESP32の移植版がしたようにリバースエンジニアリングが必要です。Pythonのパッケージとバイナリは、NEEDLE_TELEMETRY=0 を設定するまで標準で匿名の利用回数を送信します。音声がデバイスの外に出ないことを売りにしている製品としては、奇妙な初期設定です。
真価を発揮する場面
Linuxベースのハブを出荷するスマートホームのハードウェアのスタートアップ
クラウドの請求なしに、英語、ドイツ語、フランス語のオフラインの音声操作を加える
ハブのARMのボードで、1つのエンジンにwhistle.cactとneedle3.cactを読み込みます。クリップを入れるとツール呼び出しが出てきて、部屋や機器の名前にはキーワードで寄せられます。分単位の料金はかかりません。音声区間の検出器のための開発の時間は見込んでおいてください。
マイクロコントローラーで試作する趣味の開発者や組み込みエンジニア
$10のESP32-S3で、決まった語句の一覧ではない本物の書き起こしを動かす
コミュニティのwhistle-esp32のプロジェクトに従い、N16R8のボード、INMP441のマイク、4層で14.5 MBのモデルを使います。短いコマンド1つに約6秒かかり、オランダ語は弱いと考えてください。
メモアプリのモバイル開発者
頭出しと編集のための単語のタイムスタンプ付きで、オンデバイスの音声入力を提供する
試作ではpip install cactus-needleを使い、その後iOSやAndroidのアプリでlibneedle.aをリンクします。NEEDLE_TELEMETRY=0を設定し、いまもWhisper baseのほうが成績の良い会議のような音声でテストしてください。
導入前に確認すること
- 導入
- pip install cactus-needleを実行し、needle.transcribe("clip.wav")を呼びます。エンジンと重みは一度だけダウンロードされ、キャッシュされます。ネイティブのフォルダーには、プラットフォームごとにneedleのCLI、libneedle.a、needle.hが含まれます。
- 連携
- Pythonのパッケージ。C API（needle_load、needle_transcribe、needle_embed）。macOS、x86、ARM、RISC-V、MIPSのLinux、Windows、Android、iOS、watchOS、ブラウザ、WASI向けのビルド済みのエンジン。LoRAのファインチューニングで言語を追加できます。
- データとプライバシー
- 推論はすべてデバイス上で動き、エアギャップ環境でも使えます。パッケージは標準で匿名の利用回数を送信し、NEEDLE_TELEMETRY=0とDO_NOT_TRACK=1で無効にできます。
- 大規模利用時のコスト
- ライセンス料も分単位の料金もありません。費用はデバイスのCPUの時間です。コミュニティの移植版では240 MHzのESP32-S3で2秒のコマンドに6.3秒かかり、M4 Proでは10秒のクリップで最初のトークンまで11.1 msです。
- 制限
- 1回の処理は30秒までで、それを超えると窓に分けて処理します。書き起こしは1回の処理あたり320トークンが上限です。音楽やノイズから存在しないテキストが生じることがあります。Cactusによるマイクロコントローラー向けのビルドも、エンジンのソースもありません。
良い点
- 16.9 MBで、CPUのみ、依存関係なし
- 7言語で、言語の自動判定と単語のタイムスタンプ付き
- Cactusによると、LibriSpeech、Earnings-22、FLEURSでWhisper baseを上回る
- Needleと組み合わせると、1回の呼び出しで音声をツール呼び出しに変えられる
気になる点
- 比べているのは小さな競合だけで、会議や講義には弱い
- エンジンはクローズドソースで、公開されているのは重みだけ
- テレメト リーが標準で有効
- ノイズを言葉として書き起こすことがあり、音声区間の検出による関門が必要
おすすめの人
Whisperには小さすぎるハードウェアで、欧州の言語のオフラインの音声コマンドを必要とするデバイスのメーカー。
Whistleの代替
Whistle：よくある質問
- Whistleは使う価値があるか？
- 16.9 MBで実用になる7言語の音声認識です。ただしベンダーはエンジンを非公開にし、テレメトリーを有効にしたままにしています。 評価は5点満点中3.8点です。
- Whistleの料金は？
- Apache 2.0の無料のオープンウェイトで、ビルド済みのエンジンも無料でダウンロードできます。Cactusは自社のプラットフォームでファインチューニングと導入の支援を販売していますが、価格は公開されていません。
- Whistleの欠点は？
- 比べているのは小さな競合だけで、会議や講義には弱い; エンジンはクローズドソースで、公開されているのは重みだけ; テレメトリーが標準で有効; ノイズを言葉として書き起こすことがあり、音声区間の検出による関門が必要.
- Whistleは誰に向いているか？
- Whisperには小さすぎるハードウェアで、欧州の言語のオフラインの音声コマンドを必要とするデバイスのメーカー。
- チームや本番環境でWhistleを使うと費用はいくらか？
- ライセンス料も分単位の料金もありません。費用はデバイスのCPUの時間です。コミュニティの移植版では240 MHzのESP32-S3で2秒のコマンドに6.3秒かかり、M4 Proでは10秒のクリップで最初のトークンまで11.1 msです。
- Whistleは企業データを扱っても安全か？
- 推論はすべてデバイス上で動き、エアギャップ環境でも使えます。パッケージは標準で匿名の利用回数を送信し、NEEDLE_TELEMETRY=0とDO_NOT_TRACK=1で無効にできます。
- Whistle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, Parakeet TDT 0.6B v3 、 VibeVoice-ASRです。
回答確認日：2026年11月2日