VibeVoice-ASR-4bit をクラウド GPU で動かす
VibeVoice-ASR-4bit は mlx-community による音声認識（文字起こし）モデルです。必要な GPU メモリ、今日動かせる GPU、自分で動かした場合の費用（秒単位課金）を確認できます。
RTX 2080 Ti をレンタル $0.20/時間から
パラメータ数
8.3B
必要な GPU メモリ
≈ 21 GB
ライセンス
mit
ダウンロード数
876
更新日 2026/01/23
今日動かせる GPU
U32 の重みで推論する場合、作業用メモリを含めて約 21 GB と見積もっています。実際の使用量は解像度、バッチサイズ、コンテキスト長によって変わります。
| GPU | メモリ | 1 時間あたり | 10 時間 | |
|---|---|---|---|---|
| RTX 2080 Ti | 22 GB | $0.20 | $2.00 | レンタル |
| Tesla P40 | 24 GB | $0.24 | $2.40 | レンタル |
| RTX 3090 | 24 GB | $0.39 | $3.90 | レンタル |
| Titan RTX | 24 GB | $0.40 | $4.00 | レンタル |
| RTX A5000 | 24 GB | $0.42 | $4.20 | レンタル |
カタログのリアルタイム開始価格です。マシンが動いている間だけ秒単位で支払います。
VibeVoice-ASR-4bit の動かし方
- 01
GPU をレンタル
上の GPU から 1 つ選びます。課金は秒単位で、マシンを停止すれば課金も止まります。
- 02
ターミナルか Jupyter を開く
SSH で接続するか、ブラウザで Jupyter を開きます。PyTorch と CUDA は準備済みです。
- 03
モデルをダウンロードして実行
下のコマンドを実行します。重みは Hugging Face からマシンへ直接ダウンロードされます。
pip install -U transformers accelerate
python -c "from transformers import pipeline; p = pipeline('automatic-speech-recognition', model='mlx-community/VibeVoice-ASR-4bit', device=0); print(p)"なぜ自分で動かすのか
何時間もの音声を GPU の利用分の費用だけで文字起こしできます。録音がマシンの外に出ることはありません。
よくある質問
- VibeVoice-ASR-4bit にはどれくらいの GPU メモリが必要ですか？
- 推定では推論に約 21 GB（8.3B パラメータ）です。高解像度、長いコンテキスト、大きなバッチではさらに必要です。
- VibeVoice-ASR-4bit を動かす費用は？
- RTX 2080 Ti で 1 時間 $0.20 から、秒単位の課金です。10 時間で約 $2.00 です。
- サブスクリプションは必要ですか？
- いいえ。マシンが動いた時間分だけを USD 残高から支払います。終わったら停止してください。
自分の GPU で数分で試せます
GPU を選び、Jupyter か SSH を開いて、好きなオープンモデルを動かしましょう。秒単位の支払いで、いつでも停止できます。サブスクリプションも初期費用もありません。
- USD で秒単位の課金
- PyTorch と CUDA が数分で準備完了
- ChatGPT や Claude からもレンタル可能