同じ長文を3文書ずつ解析した最初のバッチで、spaCyは29328584ナノ秒、Stanzaは211007500ナノ秒でした。 ナノ秒は、10億分の1秒です。
予想と違ったのは区切りです。 あいまいさのある短文では、空白を除いたトークン数は35で同じなのに、文字位置が一致したのは28でした。
単語の区切り:測った三つの入力で、区切りが割れたのは一つだけ
固い文体のニュース調の入力と、その10回くり返した長文では、区切りが完全にそろいました。 あいまいさを含む短文だけが、そろいませんでした。
トークンは、解析の最小の単位です。 日本語は語の間に空白がないので、どこで切るかが道具の腕の見せ所になります。
| 入力 | spaCyのトークン数(空白を含む) | Stanzaのトークン数 | 文字位置が一致 |
|---|---|---|---|
| 短文A(ニュース調) | 33 | 33 | 33 |
| 短文B(あいまいさを含む) | 35 | 35 | 28 |
| 長文(短文Aの10回反復) | 339 | 330 | 330 |
長文のspaCyだけ339と多いのは、空白そのものを一つのトークンとして数えるためです。 空白を除くと330で、Stanzaと同じです。
文の数も、短文Aが2、短文Bが3、長文が20で、二つの道具で同じでした。
出典: spaCy公式とStanza公式のGitHubページ(2026年11月12日確認)、自前の測定記録
解析結果:品詞は多くが一致し、原形で差が出た
区切りがそろった所でも、品詞と原形は完全には重なりませんでした。 原形は、「走った」を「走る」に戻すような、辞書の見出しの形です。
比べたのは、両方で文字位置が一致したトークンだけです。 品詞はUPOS(言語をまたいで使う共通の品詞ラベル)で見ました。
| 入力 | 位置が一致 | 品詞が一致 | 原形が一致 |
|---|---|---|---|
| 短文A | 33 | 33 | 32 |
| 短文B | 28 | 26 | 25 |
| 長文 | 330 | 330 | 320 |
短文Bは、区切りも品詞も原形も、一歩ずつ数が減っていきます。 あいまいな文ほど、道具ごとの判断の差が出ると読めます。
この一致の数は、精度ではありません。 正解の注釈がないので、どちらが正しいかは、この表からは言えません。
出典: 自前の測定記録(2026年11月12日実施)
処理時間:同じ長文で、spaCyは29328584ナノ秒、Stanzaは211007500ナノ秒
処理時間は、三つの入力のすべてで、spaCyのほうが短く終わりました。 7回測ったバッチのうち、spaCyの最も遅い回が、Stanzaの最も速い回より短かったのです。
| 入力(3文書分・第1バッチ) | spaCy(ナノ秒) | Stanza(ナノ秒) |
|---|---|---|
| 短文A | 6035875 | 61602625 |
| 短文B | 4827709 | 66832125 |
| 長文 | 29328584 | 211007500 |
長文で見ると、spaCyの7回は29026541から31261459の間でした。 Stanzaの7回は209015084から215421167の間で、重なりません。
計ったのは、読み込み済みのモデルに文を渡して解析し、返った文書を手放すまでです。 最初の3文書は温めのため捨て、そのあと3文書ずつを7回、交互に測っています。
落とし穴:区切りと品詞が一致しても、正しいとは限らない
二つの道具の出力が一致していても、それは正解の保証になりません。 同じ癖を持つ二つの道具が、同じ間違いをしている場合もあるからです。
短文Aと長文で区切りが全部そろったのは、どちらも正しいからとは限りません。 正解のデータで採点する作業は、今回の範囲に入っていません。
もう一つの落とし穴は、時間の数え方です。 今回の時間には、モデルの読み込みや取得、起動の時間が入っていません。
スクリプトを1回だけ動かして終える使い方だと、読み込みの時間が先に響きます。 本番で使う形に近い条件で、もう一度測る必要があります。
どちらを選ぶか:時間を縮めたいか、研究の流儀に合わせたいかで決める
長い文章を大量に解析するなら、spaCyを先に試すのが近道です。 研究の再現でスタンフォード系の道具に揃えたいなら、Stanzaが向きます。
選ぶ理由は、次の三つです。
- 時間: 長文の3文書で、spaCyは29328584ナノ秒、Stanzaは211007500ナノ秒でした。
- 位置づけ: spaCyは製品での利用を想定し、Stanzaはスタンフォードの研究グループの道具です。
- 区切りの差: あいまいな短文では、35トークン中28しか位置がそろいませんでした。
向かない人も書いておきます。 spaCyは、研究グループの流儀に合わせたい人には、決め手が足りません。 Stanzaは、処理時間を縮めたい人には、今回の測定では遅い側でした。
どちらもライセンスはゆるく、spaCyはMIT、StanzaはApache Licenseで公開されています。 商用で使う場合も、文面を自分で読んでから決めてください。
次の箱は、道具ごとの一言まとめです。
道具ごとの一言まとめ
spaCy
製品での利用を想定した、速さが売りの解析ライブラリです。
Stanza
スタンフォードの研究グループが出す、PyTorchベースの解析ライブラリです。
迷ったら、次の質問を上から順にたどってください。
spaCyとStanzaの選び方
- 1. 処理時間を、まず一番に縮めたいですか?はい → spaCyを選びます。ただし、自分の文章で区切りを確かめてからにします。いいえ → 次は質問2です。
- 2. 研究の再現などで、スタンフォード系の道具に合わせたいですか?はい → Stanzaを選びます。いいえ → 次は質問3です。
- 3. 自分の文章を両方に通して、区切りの差を見られますか?はい → 差が小さいほうを選びます。迷うなら、処理時間が短いspaCyにします。いいえ → 公式ページの機能を読み、必要な機能がそろうほうを選びます。
測定と比較の範囲
測定は2026年11月12日に、このMac1台で行いました。 環境は、macOS 27.2.1(arm64)と論理CPU12です。
CPython 3.12.16を使いました。 spaCy 3.8.11には日本語モデルja_core_news_sm 3.8.0を組み合わせました。
Stanza 1.11.0は日本語モデルで、torch 2.9.1の上で動かしています。
どちらも独立した環境に入れ、CPUを明示して動かしました。 Metalは使っていません。
入力は、自作の日本語3種類(短文2種類と、短文Aを10回くり返した長文)です。 同じ文字列を両方へ渡し、固有表現を除く区切り・品詞・原形・係り受けを保存しました。
時間は、モデル読み込み済みの状態で、解析と文書の解放だけを計っています。 導入、モデルの取得と読み込み、起動、入出力、JSON化、照合の時間は含みません。
範囲外のものは次のとおりです。 正解注釈がないため精度と一般的な品質、固有表現、他の言語、GPU、メモリの使用量は範囲外です。
実業務の文章でも同じ差が出るとは限りません。 入力が3種類と少ないので、区切りの結論は今回の文に限った話です。
出典
公式ページ(すべて2026年11月12日に確認)
- spaCy 公式 GitHub — https://github.com/explosion/spaCy
- Stanza 公式 GitHub — https://github.com/stanfordnlp/stanza
自前の測定(2026年11月12日実施)
変更履歴
| 日付 | 内容 |
|---|---|
| 2026-11-12 | 初版公開。単語の区切り、解析結果、処理時間を同じ日本語で比べた |
