IBMは2026年10月20日(現地時間)、音声認識モデルコレクション「Granite Speech」の3つの更新を発表した。これには新モデルgranite-speech-5.0-2bと、既存モデルgranite-speech-5.0-470m-turboctcおよびgranite-speech-4.1-2b-plusの改訂版が含まれる。これらのモデルは、高精度な転写と翻訳、高速なエッジ転写、および話者属性識別を伴う録音など、企業向け音声作業全般に対応する。
新モデルgranite-speech-5.0-2bは、granite-speech-4.1-2bの後継にあたる。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の音声転写と、これらの言語と英語間での翻訳をサポートする。加えて、英語からイタリア語および北京語への翻訳も可能である。390,000時間以上の公開オーディオと、日本語ASR、キーワードバイアス、翻訳用の合成データで訓練された。主な強化点には、英語ASRの精度向上、ノイズ・残響・遠距離マイク音声への対応強化、言語IDプロンプトによる多言語転写の誘導、長尺会話翻訳の改善、最大2,000語のキーワードリストによるバイアス調整、および要求に応じた句読点と大文字の付与がある。
更新されたgranite-speech-5.0-470m-turboctcは、以前の英語のみのバージョンから、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する多言語モデルへ進化した。ネイティブな句読点と大文字化に対応し、困難な音響環境での堅牢性が向上した。処理速度も約1.6倍高速化し、Open ASR Leaderboardで19,870 RTFxを達成している。
また、granite-speech-4.1-2b-plusは、会議やサポートコールなど、複数話者による長時間の録音に特化して調整された。話者属性識別の精度が向上し、ワードダイアライゼーションエラー率 (WDER) が7%減少、話者属性付きWER (cpWER) も7%減少した。タイムスタンプの平均シフト (AAS) は半分以下に削減され、長尺音声テストセットでのWERは24%減少した。20語のキーワードリストを用いたキーワードバイアスにおけるエラーは45%減少している。
これら全てのモデルはApache 2.0ライセンスで提供され、Transformers、vLLM、llama.cpp、およびApple Silicon向けmlx-audioでサポートされる。
参考: Hugging Face Blog (アーカイブ) — 2026年10月21日 14:56 (JST)
原文ハイライト"Transcribe, Translate, and Attribute more Accurately and Faster"