Parakeet Ultra（パラキート・ウルトラ）は、MoondreamがNVIDIAの音声認識モデル「Parakeet TDT 0.6B v3」を事後学習（post-training）した音声認識モデルで、2026年11月3日にOpenRouterから提供が始まりました。アーキテクチャ・トークナイザ・パラメータ数（0.6B）は元モデルと同一のまま、単語誤り率（WER）を下げています。
室谷代表取締役Parakeet Ultraは、MoondreamがNVIDIAのParakeet TDT 0.6B v3を事後学習した音声認識モデルで、2026年11月3日にOpenRouterでの提供が始まったんですよね。モデルのサイズもアーキテクチャも変えずに精度を上げてきた、というのが今回のポイントです。
テキトー教師DotAI 認定講師そこが面白いところで、単に「新しい大きいモデルが出た」という話じゃないんですよ。同じ0.6Bのまま、重みをフル精度で残して学習を追加した。
つまり推論の重さはほぼそのまま、中身の賢さだけを引き上げたという整理になります。
つまり推論の重さはほぼそのまま、中身の賢さだけを引き上げたという整理になります。
室谷代表取締役しかもホスティングがPrime Intellectで、料金が音声1秒あたり0.000017ドル。1時間あたり0.06ドルという水準なんですよね。
テキトー教師DotAI 認定講師音声認識をAPIで使うとき、料金は「分」か「時間」で効いてきますから、そこが明示されているのは実務では大きいです。
Parakeet Ultraとは？NVIDIA ParakeetをMoondreamが事後学習した音声認識モデル
Parakeet Ultra と ベースモデル Parakeet の比較
Parakeet（ベース）
- NVIDIA Parakeet TDT 0.6B v3
- 英語7テストセット WER 6.26%
- 25言語FLEURS評価 WER 11.62%
Parakeet Ultra
- Moondreamが事後学習して公開
- アーキテクチャ・トークナイザ・0.6Bパラメータは同一
- 英語7テストセット WER 5.80%
- 25言語FLEURS評価 WER 9.55%
- 速度はほぼ変わらず精度が向上
室谷代表取締役まず基本の定義から整理したいんですけど、Parakeet UltraはMoondreamが公開しているモデルで、ベースはNVIDIAのParakeet TDT 0.6B v3。同じアーキテクチャ、同じトークナイザ、同じ0.6Bパラメータという構成です。
テキトー教師DotAI 認定講師講座で受講生さんによく説明するのは、「事後学習」という言葉の意味なんですよ。ゼロから作ったのではなく、すでに音声認識ができるモデルに対して追加の学習をかけて、苦手な部分を底上げしたという理解でいいと思います。
室谷代表取締役だから速度はほぼ変わらない、というのが素直な読み方ですよね。MYUUUでも文字起こしは日常的に使うので、速度が落ちずに精度が上がるのは素直にありがたいです。
テキトー教師DotAI 認定講師元モデルのParakeetは、英語7テストセットでWER 6.26%、25言語のFLEURS評価で11.62%でした。Ultraはそこを5.80%と9.55%に持ってきている。
数字だけ見ると小さく見えますが、WERは誤り率なので、下がるほど書き起こしの手直しが減るということです。
数字だけ見ると小さく見えますが、WERは誤り率なので、下がるほど書き起こしの手直しが減るということです。
室谷代表取締役この「手直しが減る」というのが実務ではいちばん効くんですよね。誤り率が数ポイント違うだけで、確認作業の時間がまるで変わりますから。
Parakeet Ultraでできること——25言語対応・セグメント/単語タイムスタンプ・VAD内蔵
Parakeet Ultraの主な機能
25言語対応
25の欧州言語に対応
タイムスタンプ
セグメント（文単位）と単語単位のタイムスタンプを返せる
VAD内蔵
音声区間検出を内蔵し、長い録音を最大30秒のチャンクに自動分割
言語の自動判定
言語は自動判定され、句読点と大文字・小文字も保持される
多様な入力に対応
ファイルだけでなくライブ音声やストリーミングにも対応
Pythonパッケージ
Pythonパッケージからも呼べる形になっている
テキトー教師DotAI 認定講師機能面を箇条書きで整理するとこうです。
- 25の欧州言語に対応
- セグメント（文単位）と単語単位のタイムスタンプを返せる
- VAD（音声区間検出）を内蔵し、長い録音を最大30秒のチャンクに自動分割
- 言語は自動判定され、句読点と大文字・小文字も保持される
室谷代表取締役タイムスタンプが単語単位で出るのは、字幕を作るときに効きますよね。どの単語が何秒目か、という情報があると編集の手間がかなり違います。
テキトー教師DotAI 認定講師あと地味に大きいのがVADの内蔵なんですよ。これまでは長い録音を自分で切る必要があって、単語の途中で切ると精度が落ちる。
そこをモデル側が発話の切れ目で区切ってくれる。
そこをモデル側が発話の切れ目で区切ってくれる。
室谷代表取締役録音全体をそのまま渡せばいい、というのは使い方がかなり楽になりますね。パイプラインを自前で組まなくて済みますから。
テキトー教師DotAI 認定講師Moondreamのブログでは、ファイルだけでなくライブ音声やストリーミングにも対応すると説明されています。Pythonパッケージからも呼べる形になっていますね。
Parakeet Ultraの料金と提供範囲——1時間0.06ドル、OpenRouterで今すぐ使えるか
まとめ
Parakeet Ultraの料金と提供範囲
- 料金は音声1秒あたり0.000017ドル、1時間あたり0.06ドル(OpenRouterページ上も同単価で表示)
- 資料はドル建てのみのため、日本円換算額は記事では提示しない(為替レートの根拠がないため)
- OpenRouter上ではPrime Intellectの1プロバイダがホストし、ルーティング判断を挟まずリクエストをそのまま転送
- OpenRouter経由なら今すぐ使える。モデルページが公開され、Playgroundからも試せる
- 現時点ではEU域内ルーティングには未対応(域内でデータを完結させたい場合は要確認)
- 可用性は3日間の稼働率99.02%、OpenRouter側の可用性99.08%
室谷代表取締役料金は音声1秒あたり0.000017ドル、1時間あたり0.06ドル。OpenRouterのページ上もこの単価で表示されています。
テキトー教師DotAI 認定講師ここは正確に言っておきたいんですけど、資料にはドル建ての料金しかありません。ですので日本円に換算した金額は、この記事では出さないでおきます。
為替レートの根拠が資料にないので。
為替レートの根拠が資料にないので。
室谷代表取締役そうですね、1時間あたり約0.06ドル、という事実までに留めるのが誠実です。実際に日本円でいくらになるかは、利用時のレートで確認するしかないですから。
テキトー教師DotAI 認定講師提供範囲についても整理しておくと、OpenRouter上ではPrime Intellectの1プロバイダがホストしていて、OpenRouterはルーティング判断を挟まずリクエストをそのまま転送する構成です。
室谷代表取締役つまり今すぐ使えるのか、という問いには「OpenRouter経由なら使える」と答えられますね。モデルページも公開されていて、Playgroundからも試せるようになっています。
テキトー教師DotAI 認定講師ただし注意点として、現時点ではEU域内ルーティングには対応していないと明記されています。EU域内でデータを完結させたい要件がある場合は、ここは確認が必要です。
室谷代表取締役あと可用性の数字も見ておくと、3日間の稼働率は99.02%、OpenRouter側の可用性は99.08%と表示されています。ミッションクリティカルな用途では、このあたりも監視しておきたいところです。
Parakeet Ultraの精度はどれだけ上がったか——WER比較で見る改善幅
テキトー教師DotAI 認定講師精度の話は数字で見るのがいちばん早いので、表に整理しますね。
| 評価セット | 元のParakeet | Parakeet Ultra |
|---|---|---|
| 英語7テストセット | 6.26% | 5.80% |
| FLEURS 25言語 | 11.62% | 9.55% |
| ビジネス音声 | 6.15% | 5.79% |
| 背景ノイズ | 6.72% | 5.82% |
| 長尺録音（TED-LIUM 11講演） | 2.71% | 1.94% |
室谷代表取締役長尺録音が2.71%から1.94%で、28%減。ここが実務的にはいちばん刺さる数字なんですよね。
会議録や講演の書き起こしは、まさにこの長尺の領域ですから。
会議録や講演の書き起こしは、まさにこの長尺の領域ですから。
テキトー教師DotAI 認定講師25言語のFLEURSも11.62%から9.55%で、平均WERで18%減と説明されています。25言語で誤りがおよそ4分の1減る、という言い方もされていますね。
室谷代表取締役背景ノイズが6.72%から5.82%に下がっているのも大きい。実際の録音は無響室じゃないので、ノイズ下で強くなっているのは現場向きです。
テキトー教師DotAI 認定講師ここは単に「精度が上がった」という話じゃなくて、どの条件で上がったかがセットで示されているのが良いんですよ。講座でも、ベンチマークは条件込みで読むように伝えています。
室谷代表取締役なお、これらの数値はMoondream側の評価セットに基づくものです。手元の音声で同じ数字が出るとは限らないので、そこは自前で試すのが前提ですね。
Parakeet Ultraの使い方・始め方——OpenRouterのAPIで文字起こしを試す手順
テキトー教師DotAI 認定講師使い方は2ルートあります。ひとつはOpenRouterのSpeech-to-Text API、もうひとつはMoondreamのPythonパッケージです。
まずAPI側の手順を整理しますね。
まずAPI側の手順を整理しますね。
- OpenRouterでAPIキーを発行する
- 音声ファイルをBase64にエンコードする
POST https://openrouter.ai/api/v1/audio/transcriptionsにリクエストを送るmodelにmoondream/parakeet-ultra、input_audioにデータとフォーマットを指定する
室谷代表取締役リクエストの形はシンプルなんですよね。認証は
Authorization: Bearer $OPENROUTER_API_KEY をヘッダに付けるだけです。テキトー教師DotAI 認定講師レスポンスはデフォルトだとテキストとusageが返ってきます。usageには秒数・トークン数・コストが入るので、コスト管理もしやすいですね。
室谷代表取締役タイムスタンプが欲しいときは
response_format に verbose_json を指定すると、言語・長さ・セグメント・単語タイムスタンプが返る場合がある、という説明でした。ここは「プロバイダが対応しているとき」という条件付きなのがポイントです。テキトー教師DotAI 認定講師エラーも整理されていて、400が不正な音声入力や未対応オプション、502が上流の音声処理失敗。429はレート制限なのでバックオフしてリトライ、という挙動になります。
室谷代表取締役あと、失敗した生成は課金されないという記載もありました。試行錯誤の段階ではありがたい仕様です。
テキトー教師DotAI 認定講師ローカルで動かしたい場合はMoondreamのPythonパッケージで、
pip install --upgrade "moondream>=2.4.1" を入れて、Photon経由でモデルを指定する形です。UltraはGPU向けなので device="cuda" を指定する例が示されています。室谷代表取締役テキトー教師DotAI 認定講師Parakeet Ultraと既存Parakeet系の違い——V3・Reduxとの使い分け
室谷代表取締役ここが混乱しやすいところなので、整理しておきたいんですよね。Moondreamは同じ発表でParakeet Reduxも出していて、役割が違うんです。
テキトー教師DotAI 認定講師違いを表にするとこうです。
| モデル | 重み | 想定ハードウェア | 英語WER | 背景ノイズWER |
|---|---|---|---|---|
| 元のParakeet | フル精度 | — | 6.26% | 6.72% |
| Parakeet Redux | 1.2GB→178MBに圧縮 | CPU・Mac向け | 6.55% | 9.04% |
| Parakeet Ultra | フル精度のまま | GPU向け | 5.80% | 5.82% |
室谷代表取締役Reduxはエンコーダの重みを−1、0、+1の3値に量子化して、とにかく軽く速くしたモデル。Ultraは重みをフル精度で残して精度を上げたモデル、という対比ですね。
テキトー教師DotAI 認定講師使い分けの指針も明確で、ノイズが気になる場面でGPUが使えるならUltra、CPUやMacで速度と省メモリを優先するならRedux、という整理になります。
室谷代表取締役Reduxは25言語のFLEURSでは11.62%から10.56%に改善しているんですよね。英語は少し悪化するけど多言語では良くなる、というトレードオフがはっきり出ています。
テキトー教師DotAI 認定講師そこが面白くて、単純に「軽いほど劣化する」わけじゃないんですよ。何を優先するかで選ぶモデルが変わる。
だから用途を先に決めるのが大事です。
だから用途を先に決めるのが大事です。
室谷代表取締役長尺録音のTED-LIUMでも、元が2.71%、Reduxが2.51%、Ultraが1.94%。長い録音をきれいに取りたいならUltraが向いている、という数字の並びになっています。
テキトー教師DotAI 認定講師ライセンスはモデルの重みがCC-BY-4.0で公開されていて、これはNVIDIAの元モデルと同じ扱いだと説明されています。
室谷代表取締役自前でホスティングする選択肢も残っている、ということですね。APIで試してから、要件に応じてローカルに落とす、という順番が現実的だと思います。
テキトー教師DotAI 認定講師ちなみにAPI経由の文字起こしをパイプラインに組み込むなら、後段の処理も含めて設計したいところです。コード側の品質管理の考え方はClaude Codeのコードレビュー機能を徹底レビュー！精度・使い方・料金・注意点まとめあたりも参考になりますよ。
よくある質問
室谷代表取締役最後に、よく聞かれそうな点を整理しておきますか。
テキトー教師DotAI 認定講師そうですね、箇条書きでまとめます。
- Parakeet Ultraとは何ですか？ MoondreamがNVIDIAのParakeet TDT 0.6B v3を事後学習した音声認識モデルです。アーキテクチャ・トークナイザ・0.6Bパラメータは元モデルと同一です。
- 料金はいくらですか？ 音声1秒あたり0.000017ドル、1時間あたり0.06ドルです。日本円での金額は資料に為替レートの根拠がないため本記事では示していません。
- どこで使えますか？ OpenRouterのSpeech-to-Text API経由で利用できます。ホスティングはPrime Intellectが担当しています。
- 対応言語は？ 25の欧州言語に対応し、言語は自動判定されます。
- タイムスタンプは取れますか？ セグメント単位と単語単位のタイムスタンプに対応しています。APIでは
verbose_json指定時に返せる場合があり、プロバイダの対応状況に依存します。 - ローカルで動かせますか？ MoondreamのPythonパッケージ（moondream 2.4.1以上）からPhoton経由で実行できます。UltraはGPU向け、ReduxはCPU・Mac向けと位置づけられています。
- EU域内で使えますか？ 現時点ではEU域内ルーティングには対応していないと明記されています。
- ライセンスは？ モデルの重みはCC-BY-4.0で公開されています。
室谷代表取締役まとめると、同じサイズのまま精度を上げてきたモデルが、1時間0.06ドルでAPIから使えるようになった、というのが今回のニュースの核なんですよね。
テキトー教師DotAI 認定講師そうですね。まずは手元の音声で試して、WERの改善が自分の用途に効くかを見る。
そのうえでReduxと使い分ける。それがいちばん堅い進め方だと思います。
そのうえでReduxと使い分ける。それがいちばん堅い進め方だと思います。
