Apple SpeechAnalyzerがWhisperを撃破 — 公式ベンチマークでWER 2.12%を達成

2026年7月13日、Inscribeが公開したApple SpeechAnalyzerのベンチマーク結果がHacker Newsで大きな話題を呼んでいる（412ポイント、172コメント）。AppleがiOS 26およびmacOS 26で提供を開始した新音声認識API SpeechAnalyzerを、従来のSFSpeechRecognizerおよびOpenAI Whisper（Tiny/Base/Small）と比較した実測データだ。結果は衝撃的だった。Appleの新しいオンデバイス音声エンジンは、テストした全てのWhisperモデルを精度と速度の両方で上回った。本記事ではベンチマークの詳細と、開発者にとっての実践的な意味を解説する。

ベンチマーク結果：SpeechAnalyzerが全カテゴリで勝利

InscribeはLibriSpeechの標準テストセット（test-clean 2,620発話、test-other 2,939発話）を使用し、5つの音声認識エンジンを同一のApple M2 Pro（32GB、macOS 26.5.1）上で比較した。結果は以下の通りだ。

エンジン

test-clean WER

test-other WER

モデルサイズ

Apple SpeechAnalyzer	2.12%	4.56%	システム内蔵
Whisper Small（CoreML）	3.74%	7.95%	~460MB
Whisper Base	5.42%	12.51%	~140MB
Whisper Tiny	7.88%	17.04%	~40MB
Apple SFSpeechRecognizer（旧）	9.02%	16.25%	システム内蔵

SpeechAnalyzerはtest-cleanで2.12%のWER（単語誤り率）を記録し、Whisper Smallの3.74%を大きく引き離した。ノイズの多いtest-otherでも4.56%と、Whisper Smallの7.95%を約1.7倍上回る精度だ。さらに処理速度もWhisper Smallの約3倍高速で、精度と速度の両方で勝利している。

旧SFSpeechRecognizerからの移行は必須

このベンチマークで最も明確な結果は、旧SFSpeechRecognizerからの移行が必須であるという点だ。同じオーディオに対して、新しいAPIはWERを3.5〜4倍改善している。クリーン音声で9.02%から2.12%、ノイズ音声で16.25%から4.56%へ。1時間の会議を文字起こしした場合、旧APIでは約4倍の誤認識単語が含まれる計算になる。

加えて、SpeechAnalyzerは句読点や大文字小文字を適切に付与したテキストを出力する。旧APIの出力はより生の認識結果に近く、後処理が必要だった。音声コマンド以上の用途で音声認識を使っているアプリは、精度面だけ見ても移行する価値がある。

SpeechAnalyzer vs Whisper：使い分けの基準

SpeechAnalyzerがWhisper Smallを上回ったとはいえ、Whisperには依然として2つの明確な優位点がある。

1つ目は言語カバレッジだ。SpeechTranscriber（SpeechAnalyzerの姉妹API）が対応するロケールは約30言語。一方Whisperは100言語以上に対応しており、多言語アプリではWhisperの方が適している。

2つ目はプラットフォーム非依存性だ。WhisperはiOS、macOS、Windows、Linux、Webとあらゆる環境で動作する。SpeechAnalyzerはiOS 26およびmacOS 26以降のAppleデバイスに限定される。

Inscribeは自社製品のAutoエンジンにおいて、SpeechAnalyzerが対応する言語では優先的に使用し、それ以外ではWhisperにフォールバックする戦略を採用したと報告している。

ベンチマークの信頼性

Inscribeは自社が音声認識エンジンを販売する企業であることを正直に開示した上で、ベンチマークの信頼性を確保するための2つの対策を講じている。

1つ目は、Whisperの測定値がOpenAIの公表値と一致す... [truncated]