Moonshine Voice日本語認識をWhisperと2台で実測——「超え」は本当か

「Whisper超え」という言葉を見たとき、最初に思ったのは「また？」でした。

新しいモデルが出るたびに同じ主張が来る。精度・速度・コスト、どれかで「超えた」と言えばいい。数字の取り方次第でいくらでも作れる主張です。でも今回は少し違う部分があって、日本語対応のエッジASR（自動音声認識）という組み合わせは素直に興味が持てた。

というわけで、自宅のAIサーバー（Ryzen 9 5900、24コア）とRaspberry Pi 5の2台に実際に入れて、日本語音声のRTFを測りました。

先に結論だけ言っておきます。AIサーバーでは16倍速で動く。Raspberry Pi 5は、リアルタイムに届かなかった。

TL;DR

• Moonshine Voice（新版・2026年2月）: 日本語対応。AIサーバーRTF=0.062（16倍速）
• 旧版（useful-moonshine）: 英語専用。日本語を流すと英語のハルシネーション
• RasPi 5の日本語RTF=0.91: リアルタイム用途は厳しい数字
• 専門用語の誤認識は残る（Moonshine→「ムーン・シャイン」、Whisper→「ウェスパー」）

• Moonshine Voiceとは何か
• テスト環境
• 罠があった：旧版は英語専用
• RTF実測値：数字で語る
  • useful-moonshine ONNX（英語専用・旧版）
  • moonshine-voice（日本語対応・新版）
• 日本語認識の精度
• 「Whisper超え」の実態
• まとめ
• FAQ
• この記事を書いた人
• 関連記事
• 関連リンク

Useful Sensorsが開発した、エッジデバイス向けのASRモデルです。2024年10月に英語専用モデルを公開し、2026年2月に日本語・韓国語・中国語なども含む多言語対応版「Moonshine Voice」として再リリースされました。

モデルサイズは最小で約26MB。Raspberry Piやスマートフォンでリアルタイム動作できると謳っています。「Whisper Large v3より精度が高い」という主張はWER（単語誤り率）のベンチマーク結果に基づいていて、精度の話です。速度の話ではない——この区別は大事です。

対応言語は英語・日本語・韓国語・スペイン語・中国語・アラビア語・ベトナム語・ウクライナ語の8言語。非英語モデルは「Moonshine AI Community License」という独自ライセンスですが、年収100万ドル未満の個人・中小企業は無償で使えます。

テスト音声は自宅で稼働中のQwen3-TTSサーバー（ポート9001）で生成した日本語WAVファイル。10秒・30秒・60秒の3種類。読み上げテキストは「人工知能の音声認識技術は近年急速に進歩しています」から始まる日本語の解説文です。同一音声ファイルを両環境に流して比較しました。

実際に使用したテスト音声をそのまま掲載します。これをMoonshine Voiceに流し込んでいます。

テスト音声 — 10秒

テスト音声 — 30秒

テスト音声 — 60秒

実施日: 2026年2月下旬。セットアップ込みで約2時間（両環境の初回インストール・モデルダウンロード含む）。再現性確認のため各音声ファイルを複数回計測し、安定した値を採用しています。

最初にpip install useful-moonshineでインストールし、日本語音声を流し込みました。返ってきたのはこれです。

入力音声: 「人工知能の音声認識技術は、近年急速に進歩しています」
出力テキスト: "The first one is the same. The second one is the same."

意味不明な英語が連続して出力される。パッケージのバージョンは20241016——2024年10月版です。これは英語専用の旧バージョン。日本語対応の「Moonshine Voice」は pip install moonshine-voice という別パッケージでした。

同じプロジェクトから2種類のパッケージが存在している。名前が似ていて区別しにくい。インストールして動かすまで気づかなかったのは、ドキュメントの読み込みが足りなかったというより、そもそも罠に落ちやすい構造になっていたと思っています。

RTF（Real Time Factor）は「音声長さに対する処理時間の比率」です。RTF=0.1なら10秒の音声を1秒で処理できる。RTF=1.0が「ギリギリリアルタイム」の境界線。

useful-moonshine ONNX（英語専用・旧版）

AIサーバーのtinyは驚くほど速い。これがCPUのみの数字です。RasPiのtiny 30秒はRTF=0.162——6倍速出ています。日本語さえ認識できれば実用になるレベルです。

moonshine-voice（日本語対応・新版）

AIサーバーの日本語RTF=0.062は、60秒の音声を3.7秒で処理できる計算です。バッチ処理・録音済み音声の文字起こしなら十分使える数字です。

問題はRasPi 5。日本語RTF=0.908——60秒の音声に54秒かかっています。ギリギリ追いつけていない。英語は30秒音声でRTF=1.015と超えてしまいました。「エッジで動く」は事実ですが、「エッジでリアルタイムに動く」は条件次第です。

なお旧版ONNX（英語専用）と新版voice（多言語）でRTFが大きく違う理由は、モデル設計とバックエンドの差です。旧版はONNXランタイム最適化された英語特化モデル、新版はより汎用的な多言語設計になっています。速度と多言語対応はトレードオフの関係にあります。

RTF視覚比較（base モデル・30秒音声）

              RTF低いほど速い（1.0 = リアルタイム限界）
              |----+----+----+----+----+----+----+----+----+----|
AIサーバー JA | ██ 0.062                                        |
AIサーバー EN | █████ 0.143                                     |
RasPi 5   EN | ████████████████████████████████████ 0.963      |
RasPi 5   JA | ████████████████████████████████████▌0.908      |
              0   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9  1.0

RTFとは別に、認識内容も確認しました。

10秒テスト（入力）： 「人工知能の音声認識技術は、近年急速に進歩しています。今回は自宅ラボで、Moonshineという新しいモデルを検証します。」

10秒テスト（出力）： 「人工知能の音声認識技術は、近年急速に進歩してい　今回は自宅ラボで「ムーン・シャイン」という新しいモデルを検」

文脈は正確に取れています。「Moonshine」を「ムーン・シャイン」とカタカナ変換しているのは音声認識として正しい動作——発音通りに書き起こしています。ただし語尾の「します」が欠ける、読点の位置がずれる、という問題は残ります。

専門用語の認識結果：

固有名詞・英語技術用語のカタカナ誤変換は、日本語STT全般で発生する既知の課題です。Moonshine Voiceも例外ではない。議事録や会話の文字起こしには使えますが、技術用語が多い音声はポストエディットが必要です。

Whisperと精度を比較するベンチマークを本記事では実施していません（同一音声での比較はまた別の機会にやりたい）。ただ、いくつか言えることがあります。

速度面: 自宅環境でのWhisperX large-v3の実測RTFは0.1〜0.2程度。moonshine-voiceの日本語RTF=0.062はそれより速い。純粋な速度では優位です。

モデルサイズ: WhisperX large-v3は約3GB。moonshine-voice base-jaは約134MB。25分の1以下のサイズで動いています。

「Whisper超え」という主張が指している数字: 公式サイトのベンチマークはWERを特定のデータセットで測定したものです。日常的な日本語会話・専門用語混じりの音声での実力は、使う環境で変わります。「超えた」という言葉は正確ですが、あらゆる用途で超えているわけではない。

ローカルAIベンチマークについてはBlogQwen3:4b 24問テスト——コード95点、日本語22点の衝撃格差4Bパラメータの軽量モデルQwen3:4bを24問テスト。論理・コードで95%を叩き出しながら日本語力は22%に沈む衝撃の格差を徹底解剖。→も参照してください。モデルサイズに対するパフォーマンスの傾向が共通しています——小さいモデルが「実用十分」なケースが増えています。

同じAIサーバー（RTX 4070 Ti）上でNVIDIAの日本語特化LLMを試したベンチマークも出しています。ローカルAI全般の実力感の参考になると思います。

Moonshine Voiceは動きます。日本語も認識します。AIサーバーなら16倍速で実用レベルの速度が出ます。

自宅ローカルAI環境の構築が気になる方は、このあたりの記事も合わせてどうぞ。

GUIDE

Ollamaでローカルにモデルを動かすまで

インストールの罠・GPU確認・日本語チャット全記録

CASE STUDY

RTX 4070 Ti自宅サーバーにQwen3-TTSを入れた実録

API変更で3回詰まった話。音声合成サーバー構築の全記録。

COMPARISON

ローカルAI vs クラウドAI、2026年の今どちらが本命か

コスト・速度・プライバシー。正直に語る比較記事。

BlogQwen3:4b 24問テスト——コード95点、日本語22点の衝撃格差4Bパラメータの軽量モデルQwen3:4bを24問テスト。論理・コードで95%を叩き出しながら日本語力は22%に沈む衝撃の格差を徹底解剖。→

ただし3点、注意があります。

1. パッケージの混同：useful-moonshine（旧・英語専用）とmoonshine-voice（新・多言語対応）は別物です。間違えると英語のハルシネーションが返ってきます。
2. RasPiはリアルタイムに届かない：RTF=0.91。ストリーミング処理や量子化の工夫で改善できる可能性はありますが、そのままでは厳しい数字です。
3. 専門用語は要確認：技術用語が多い音声はポストエディット前提で使ってください。

WhisperXの代替を探している人には検討の余地があります。特にバッチ処理・速度重視の用途では。リアルタイムのエッジデバイス用途には、もう少し環境を選ぶ必要がある。

自宅のAIサーバーに入れっぱなしにしておくことにしました。ローカルで動く日本語STTとして、WhisperXと並べて使い分けるつもりです。RasPiは今回クリーンアップしました。

「26MBで動く音声認識」が普通になりつつある。1年前に想像していたよりずっと早く。

それが楽しいのか、少し怖いのか。自分でもよくわからなくなってきた。

Q: Raspberry Pi 5でリアルタイム音声認識に使えますか？

A: 現状では厳しい数字です。moonshine-voice base-jaのRTF=0.908は60秒の音声に54秒かかることを意味します。ギリギリ間に合わない。量子化モデルの使用やストリーミング処理（発話区間ごとに分割処理）で改善できる可能性はあります。バッチ処理や短文の書き起こしなら問題なく動作します。

Q: WhisperXと比べてどちらが良いですか？

A: 用途次第です。Moonshine Voiceはモデルサイズが134MB（WhisperX large-v3の約1/25）で、AIサーバー上での速度はWhisperXより速い（RTF 0.062 vs 0.1〜0.2）。ただしWhisperXは話者分離（diarization）やタイムスタンプ付き出力に対応しており、議事録用途では今もWhisperXが有利です。私は両方を並べて用途で使い分けています。

Q: 日本語の認識精度はどの程度ですか？

A: 日常会話・解説文のような標準的な日本語では実用十分です。ただし英語技術用語（Moonshine→「ムーン・シャイン」）やRaspberry Pi（→「ラーズバリパイ」）などの固有名詞・専門用語は誤変換が残ります。技術系コンテンツや会議録には使えますが、ポストエディットを前提にしてください。

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！

• BlogQwen3:4b 24問テスト——コード95点、日本語22点の衝撃格差4Bパラメータの軽量モデルQwen3:4bを24問テスト。論理・コードで95%を叩き出しながら日本語力は22%に沈む衝撃の格差を徹底解剖。→

• 実際の構成を探すなら、GPU 比較ページやローカルLLM向け構成記事もあわせて見ると判断しやすいです。
• ハードウェア候補は用途別の AI 構成ガイドからたどると、単体製品より違和感なく検討できます。