IBM、Granite Speech 5.0をリリース。文字起こしの高速化とスピーカー追跡の精度向上を実現

IBMはGranite Speechコレクションに対して3つのアップデートをリリースし、新しい音声言語モデルを導入するとともに、既存の2つのモデルを改訂して、精度、速度、話者帰属（speaker attribution）を改善しました。2026年10月21日に公開されたこれらのオープンウェイトモデルは、高忠実度の文字起こしからリアルタイムのエッジ処理まで、エンタープライズ向けの音声タスクの全スペクトルをカバーすることを目指しています。

何が起きたか

今回のリリースの中核となるのは granite-speech-5.0-2b です。これは同じパラメータ数の以前の4.1バージョンを置き換える新モデルです。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語での文字起こしに対応し、これらの言語と英語間、および英語からイタリア語と中国語（標準中国語）への翻訳機能を提供します。このモデルは39万時間の公開音声データで訓練され、さらに日本語の自動音声認識（ASR）、キーワードバイアス、翻訳性能を向上させるために設計された合成データが補完的に使用されました。

新しい2Bモデルに加え、IBMは granite-speech-5.0-470m-turboctc を更新しました。当初は速度に特化した英語専用のエンコーダーでしたが、今回の改訂では7言語の多言語サポートと、ネイティブの句読点・大文字表記機能が追加されました。また、残響音やエコーのかかった部屋に対する堅牢性も向上しています。単一のConformerブロックをコンパイルし、そのグラフを再利用する技術的な最適化により、モデルは大幅な速度向上を達成し、Open ASR Leaderboardで約12,600 RTFxから19,870 RTFxへと性能を引き上げました。

3番目のアップデートは、複数話者のシナリオを対象とした granite-speech-4.1-2b-plus です。このモデルは先行モデルのアーキテクチャとAPIを維持しつつ、話者帰属とタイムスタンプ精度を向上させるための改良された重みを提供します。会議、サポート通話、インタビューなど、「誰が」「いつ」話したかを特定することが重要な企業向けに、そのまま置き換え可能なソリューションとして設計されています。

仕組み

新しい granite-speech-5.0-2b モデルは、言語IDプロンプト機能を導入しており、ユーザーが入力言語を指定することで多言語文字起こしを制御できます。また、最大2,000項目のキーワードバイアスリストに対応し、文字起こしや翻訳中に特定の製品名、人名、頭字語などを優先的に処理できるようにします。ユーザーは句読点と大文字表記を含むフォーマット済み出力をリクエストでき、テストセット間で89.7から99.5の大文字表記F1スコアを達成しています。

Turbo CTCモデルにおける性能向上は、単一のConformerブロックをコンパイルし、計算グラフをスタック全体で再利用することによって実現されています。これにより、ウォームアップ時間が短縮され、精度を犠牲にすることなくスループットが増加します。モデルは現在、ネイティブの句読点と大文字表記付きで文字起こしを出力するため、個別の後処理ステップが不要になります。

granite-speech-4.1-2b-plus モデルは、単語ダイアライゼーションエラー率（WDER）を7%、話者帰属付き単語エラー率（cpWER）を7%削減することで、話者帰属を改善しています。また、すべての音声において平均タイムスタンプシフト（AAS）を半分以上削減し、字幕や検索インデックス作成のためのより厳密なタイミングを提供します。さらに、20項目のキーワードリストを使用する場合、バイアス付きキーワードに関するエラーを45%削減します。

主要な詳細

• granite-speech-5.0-2b は、平均英語単語エラー率（WER）5.06%で、トップクラスのオープンウェイトASRモデルの中で第2位にランクインしています。
• Turbo CTCモデルは、リリース時と比較して1.6倍高速になり、19,870 RTFxを達成しました。
• granite-speech-4.1-2b-plus は、すべての音声における平均タイムスタンプシフトを210.86から98.54へ削減します。
• これら3つのモデルすべてはApache 2.0ライセンスの下で公開されています。
• Transformers、vLLM、llama.cpp、およびApple Silicon向けのmlx-audioによるネイティブサポートが利用可能です。
• 2Bモデルは最大2,000項目のキーワードバイアスリストに対応しています。

なぜ重要なのか

文字起こし機能を構築するソフトウェアエンジニアにとって、これらのアップデートはより高い制御性と柔軟性を提供します。キーワードをバイアスする機能により、アプリケーションはヘルスケア、法務、金融などの業界で不可欠なドメイン固有の用語を正確に処理できるようになります。ノイズや残響に対する堅牢性の向上は、会議室やリモート通話など、実際の環境でもこれらのモデルが広範な音声前処理を必要とせずに優れた性能を発揮できることを意味します。

Turbo CTCモデルの速度向上により、リアルタイムかつデバイス上での文字起こしがより現実的になりました。これは、遅延やリソース制約が大きな要因となるエッジデバイスやブラウザ上で動作するアプリケーションにとって特に重要です。句読点と大文字表記のネイティブサポートによりパイプラインが簡素化され、出力をフォーマットするための追加のモデルやサービスの必要性が軽減されます。

4.1 Plusモデルにおける話者帰属とタイムスタンプ精度の向上は、会議要約や検索における文字起こしの有用性を高めます。正確なタイムスタンプにより、ユーザーは録音の特定の部分にジャンプでき、正しい話者ラベル付けにより会話の追跡が容易になります。これらの改善により、文字起こしデータをクリーンアップし整理するために必要な手作業が削減されます。

実行可能なこと

• 高精度な多言語文字起こしおよび翻訳タスクのために granite-speech-5.0-2b を評価してください。
• WebGPUストリーミングデモを活用し、高スループットまたはデバイス上の文字起こしのニーズに応じて granite-speech-5.0-470m-turboctc を使用してください。
• 話者識別が鍵となる会議、通話、複数話者録音を含むアプリケーション向けに granite-speech-4.1-2b-plus を展開してください。
• ドメイン固有の用語や名前に対する精度を向上させるため、2Bモデルでキーワードバイアスを導入してください。
• ノイズや残響のある音声でモデルをテストし、特定のユースケースにおける堅牢性を評価してください。
• 追加のリスク検出が必要な本番環境での展開には、これらのモデルとGranite Guardianとの組み合わせを検討してください。