主要成果
IBMは、エンタープライズ向けの音声処理を最適化した「Granite Speech」コレクションのアップデートを公開した。今回のリリースでは、新モデル「granite-speech-5.0-2b」に加え、改良版の「granite-speech-5.0-470m-turboctc」および「granite-speech-4.1-2b-plus」の3モデルが提供される。特筆すべきは、granite-speech-5.0-2bの性能であり、Open ASR Leaderboardの英語短文テストセットにおいて平均WER（単語誤り率）5.06%を達成し、オープンウェイトのASR（自動音声認識）モデルの中で第2位に位置している。
技術・詳細
各モデルは用途に合わせて最適化されており、以下の特徴を持つ。
- granite-speech-5.0-2b： 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と、英語を軸とした多言語翻訳に対応。39万時間の公開オーディオと、日本語ASRやキーワードバイアス、翻訳用の合成データで学習されている。最大2,000項目のキーワードリストによるバイアス設定が可能で、製品名や固有名詞の認識精度を高められる。また、プロンプトによる言語指定や、句読点・大文字小文字のフォーマット出力にも対応している。
- granite-speech-5.0-470m-turboctc： 速度を重視した470Mパラメータのエンコーダー。多言語対応（英、日、西、独、仏、伊、葡）となり、ネイティブな句読点・大文字小文字付与機能を搭載した。反響音のある環境への耐性が向上しており、処理速度は従来の約1.6倍となる19,870 RTFxまで高速化された。
- granite-speech-4.1-2b-plus： 会議やインタビューなどの多人数会話に特化したモデル。話者特定（Speaker attribution）の精度が向上し、単語ダイアライゼーション誤り率（WDER）と話者属性付きWER（cpWER）がともに7%低下した。また、タイムスタンプの平均シフト（AAS）を半分以下に削減し、長文音声のWERを24%改善させている。
背景・業界の文脈
今回のアップデートは、企業が実際に直面する「ノイズや反響のある環境」「専門用語の多い会話」「誰がいつ話したかの特定」という実務的な課題を解決することを目的としている。特に、エッジデバイスでの高速処理を可能にするTurbo CTCや、長時間の会議録を正確に処理するPlusモデルなど、ユースケースを明確に分けたラインナップを展開している点が特徴である。
今後の展望
これらのモデルはApache 2.0ライセンスの下で公開されており、Transformers、vLLM、llama.cpp、およびApple Silicon向けのmlx-audioでサポートされる。IBMは、本番環境への導入に際しては、リスク検知を強化するために「Granite Guardian」と組み合わせて利用することを推奨している。
元記事: https://huggingface.co/blog/ibm-granite/granite-speech-5
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
