高精度モデル
高速処理モデル
詳細を読む
IBMは2026年10月21日、企業向け音声AI「Granite Speech」3モデルの新規公開・更新を発表しました。高精度の文字起こしと翻訳、端末上での高速処理、話者の識別や時刻情報が重要な会議・通話への対応をそれぞれ強化し、用途別に選べる製品群としています。すべてApache 2.0で公開し、Transformersで利用できます。
新しいGranite Speech 5.0 2Bは、英語、日本語、フランス語、ドイツ語、スペイン語、ポルトガル語の文字起こしと、各言語と英語の間の翻訳に対応します。39万時間の公開音声などで学習し、言語指定や最大2000語のキーワード指定、長時間の会話翻訳を強化しました。公開英語短文テストの平均単語誤り率は5.06％で、公開時点の主要なオープンウェイト音声認識モデル中2位でした。
470MパラメーターのTurbo CTCは、7言語の文字起こし、句読点と大文字表記、雑音や残響への耐性を追加しました。単一のConformerブロックをコンパイルして各層で再利用し、精度を維持しながら処理性能を約1万2600 RTFxから1万9870 RTFxへ高め、約1.6倍に高速化しています。
会議や通話向けのGranite Speech 4.1 2B Plusは、構成やプロンプト形式、APIを変えずに重みを改良した置き換え可能な更新です。話者識別関連の誤りを全体で7％、長時間音声の単語誤り率を24％、20語の用語リスト利用時の対象語の誤りを45％減らし、時刻ずれの平均も半分以下にしました。
導入時は、精度や翻訳、固有名詞の認識を重視するなら5.0 2B、高速処理や端末上での利用ならTurbo CTCが候補です。複数話者の会議や長い通話では4.1 2B Plusが適しており、業務要件に合わせた選択がしやすくなります。