目次

IBMのGranite Speechリリースでは、高精度な文字起こしと翻訳、高速な文字起こし、話者を識別した文字起こし向けに、それぞれ別のモデルが用意されています。用途に合わせて選びましょう。バージョン番号が最新だからといって、1つのモデルがあらゆるタスクで最適とは限りません。

要点#

  • granite-speech-5.0-2bは、多言語の文字起こし、翻訳、最大2,000語のキーワードリストに対応しています。
  • granite-speech-5.0-470m-turboctcは、7言語の高速な文字起こしを目的とし、句読点や大文字・小文字の適切な表記に標準対応しています。
  • 更新版のgranite-speech-4.1-2b-plusは、話者の識別、タイムスタンプ、長時間録音の認識精度が向上しています。
  • すべてのモデルがApache 2.0ライセンスで提供され、Transformersに対応していますが、公表ベンチマークは自分の録音とハードウェアで検証する必要があります。

必要な出力で選ぶ#

高精度な文字起こしや音声翻訳には、まずgranite-speech-5.0-2bを試してください。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の文字起こしに対応しています。翻訳は英語とほかの5言語との双方向に対応し、さらに英語からイタリア語および中国語（標準語）への翻訳も可能です。

高スループットや端末上での文字起こしには、granite-speech-5.0-470m-turboctcを試してください。4億7,000万パラメータのエンコーダーが、英語、日本語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語に対応しています。出力には句読点や大文字・小文字の適切な表記が含まれます。

話者ラベルや発話時刻が重要な会議、インタビュー、通話には、granite-speech-4.1-2b-plusを使用してください。バージョン番号は古いものの、この更新版モデルが今回のリリースで複数話者の録音向けに指定されています。

精度と用語を制御する#

20億パラメータのgranite-speech-5.0-2bには、入力言語を指定して文字起こしを誘導する言語IDプロンプトが追加されています。句読点や大文字・小文字の適切な表記を指定できるほか、最大2,000語のキーワードを渡し、文字起こしや翻訳で人名、製品名、略語が優先されるようにすることもできます。

IBMによると、英語の平均単語誤り率（WER）は5.06%で、比較対象のオープンウェイトASRモデルの中で2位でした。この結果は2026年10月15日時点では非公式で、Open ASR Leaderboardの公開されている英語の短時間音声テストセットを対象としています。日本語、長時間の会議、自社の音声でも同じ順位になることを示すものではありません。

各設定は意図を持って使いましょう。

  • 入力言語が分かっている場合は指定する。
  • 録音に登場する用語を渡し、認識結果と不要な挿入の両方を確認する。
  • 読み手に句読点や大文字・小文字の適切な表記が必要な場合は、整形済みの出力を指定する。
  • 特に長時間の会話録音では、翻訳を文字起こしとは別に評価する。

自分のハードウェアで速度を測る#

IBMによると、Turbo CTCはOpen ASR Leaderboardで19,870 RTFxに達し、公開当初の約12,600から向上しました。報告上の精度を維持したまま、約1.6倍になったことになります。RTFxは音声の長さに対する処理速度を表し、値が高いほどスループットが高いことを意味します。

この最適化では、1つのConformerブロックをコンパイルし、そのグラフを積み重ねた各ブロックで再利用します。IBMは、これによりウォームアップ時間も短縮されるとしています。改訂版モデルには残響のある音声を対象とした学習も追加されており、遠くのマイクや反響の強い部屋での録音に関係します。

公表されたスループットはベンチマーク結果として扱い、アプリケーションの応答時間を保証するものとは考えないでください。対象端末で起動時間、処理速度、メモリ使用量を測定しましょう。IBMのWebGPUストリーミングデモではブラウザーでの文字起こしを試せますが、対応予定の端末で許容できる性能が出るかは確認が必要です。

話者とタイムスタンプを確認する#

更新版のgranite-speech-4.1-2b-plusは、アーキテクチャ、プロンプト形式、APIを維持しています。IBMは、重みを改善したそのまま置き換え可能なモデルと説明しており、すでにこのモデルを使っている場合は最初に試す候補となります。

報告された改善は、いくつかの実用上の問題に対応しています。

| 指標 | 旧版 | 更新版 | |---|---:|---:| | 長時間音声のWER | 13.53 | 10.22 | | 単語単位の話者分離誤り率 | 4.40 | 4.10 | | 話者対応付きWER、cpWER | 30.50 | 28.48 | | 平均タイムスタンプずれ | 210.86 | 98.54 |

長時間音声のWERは約24%低下し、平均タイムスタンプずれは半分以下になっています。20語のキーワードリストを使った場合、優先認識対象語のWERも11.79から6.48へと約45%低下しています。これらはIBMの評価セットにおける相対的な削減率です。タイムスタンプずれは時刻の誤差を測る指標であり、単語誤り率ではありません。また、提供された発表資料には単位が明記されていません。

次のステップ#

用途に合ったモデルを使い、自分の録音から代表的なサンプルを選んで比較評価を一度行いましょう。認識が難しい音声や関連用語を含め、文字起こしの誤り、処理時間、話者ラベルやタイムスタンプの誤りを記録してから、導入構成を選んでください。

出典: https://huggingface.co/blog/ibm-granite/granite-speech-5

目次