ローカルLLM vs クラウドモデル 比較調査レポート¶

📁 docs/it-learning/artifact/20260309_ローカルLLMvsクラウドモデル比較調査.md

調査日: 2026-03-09 環境: Windows 11 / RTX 5070 Ti (VRAM 16GB) / Ollama導入済み

目次¶

1. インストール済みOllamaモデル一覧
2. クラウドモデルの現行ラインナップ
3. ベンチマーク比較
4. Ollamaモデル ↔ クラウドモデル 相当表
5. 性能ランク全体像
6. 用途別おすすめ
7. 音声文字起こし（ASR）モデル比較
8. まとめ

1. インストール済みOllamaモデル一覧¶

2. クラウドモデルの現行ラインナップ¶

Anthropic (Claude)¶

Google (Gemini)¶

OpenAI¶

DeepSeek¶

3. ベンチマーク比較¶

クラウドモデル¶

ローカルモデル（Ollama等で実行可能）¶

4. Ollamaモデル ↔ クラウドモデル 相当表¶

コーディング能力基準¶

日本語能力基準¶

5. 性能ランク全体像¶

【最上位】Claude Opus 4.6 / o3 / Gemini 2.5 Pro
  ↑ ローカルでは到達不可能
  |
【上位】Claude Sonnet 4.6 / GPT-4o / Gemini 2.5 Flash
  ↑ qwen3:30b, qwen3-coder:30b はここの7〜8割程度
  |
【中上位】GPT-4o mini / Gemini 2.0 Flash
  ≒ qwen3:30b, gemma3:27b, llama4(Scout)
  |
【中位】Gemini 1.5 Flash / Claude Haiku 4.5
  ≒ gemma3:12b, gpt-oss:20b, llama3.1:8b
  |
【下位】Gemini Nano / 軽量モデル
  ≒ qwen3:1.7b, gemma3:270m

6. 用途別おすすめ¶

コーディング¶

日本語タスク¶

要約・長文分析¶

低VRAM環境（8GB以下）¶

7. 音声文字起こし（ASR）モデル比較¶

前提知識¶

• 音声文字起こしはLLMとは別カテゴリ（ASRモデル）
• Ollamaでは音声文字起こしモデルは動かせない（テキスト生成LLM専用）
• 専用ツール（Faster-Whisper, WhisperX等）を別途使う

主要ローカルASRモデル¶

Faster-Whisper サイズ別VRAM¶

クラウドASRサービスとの比較¶

重要: OpenAI Whisper APIも内部的にはWhisper large-v3を使っているため、 Faster-Whisperでローカル実行すればほぼ同じ精度が出る。

RTX 5070 Ti (16GB) での文字起こし¶

結論: ほぼ全てのASRモデルが動作可能。推論用途なら16GBで十分。

VRAM増強時のメリット¶

おすすめ構成（日本語文字起こし）¶

実用的なパイプライン¶

音声ファイル → Faster-Whisper / Kotoba-Whisper（文字起こし）
                    ↓
              Ollama qwen3:30b（要約・議事録整理）

8. まとめ¶

LLM（テキスト生成）¶

• ローカルで1つだけ入れるなら: Qwen 3 32B（日本語・コーディング・汎用性のバランス最良）
• クラウドで1つだけ使うなら: Claude Sonnet 4.6（コーディング最強+日本語の自然さ）
• ベストプラクティス: 日常タスクはローカル（Qwen 3）、複雑なコーディングはクラウド（Claude）のハイブリッド運用

音声文字起こし（ASR）¶

• 16GB VRAMで既にクラウドAPI同等の精度が出せる
• イチオシ: Kotoba-Whisper v2.x（日本語特化、高速、高精度）
• VRAMを増やすメリットはファインチューニング時のみ

ローカル vs クラウドの差（2026年3月時点）¶