IBM、音声AI「Granite Speech 5.0」を公開

IBMは、エンタープライズ向けオープン音声モデルコレクションの最新版「Granite Speech 5.0」をHugging Face上で公開した。商用利用が可能なApache 2.0ライセンス（商用利用や改変、再配布が自由に認められたオープンソースライセンス）のもとで提供され、高精度な多言語文字起こし・翻訳、エッジ向けの超高速文字起こし、会議録音における話者属性付与（Diarization）をカバーする3モデルで構成される。

Granite Speech 5.0コレクションの3モデルと機能

今回のリリースでは、完全新作の音声言語モデル1種と、コミュニティで利用されていた既存モデルのメジャーアップデート2種が含まれる。

モデル名	状態	パラメータ	主な強化点・特徴	推奨用途
granite-speech-5.0-2b	新規	20億（2B）	英語・日本語・フランス語など6言語の文字起こしと翻訳。2,000語のキーワードバイアス、指示による句読点出力	高精度な多言語文字起こし・長文翻訳
granite-speech-5.0-470m-turboctc	更新	4.7億（470M）	日本語を含む7言語対応、ネイティブ句読点・大文字化、19,870 RTFxの超高速推論（初版比1.6倍高速）	オンデバイス・エッジ環境での高速文字起こし
granite-speech-4.1-2b-plus	更新	20億（2B）	話者属性誤り率（WDER）7%改善、タイムスタンプずれ（AAS）半減（98.54ms）、長文WER 24%改善	会議・電話窓口など複数話者の長時間録音

ベンチマーク実績と推論フレームワーク対応

IBMによると、フラグシップとなるgranite-speech-5.0-2bは、39万時間の公開音声データに加え、日本語ASRやキーワードバイアス向けに構築された合成データを用いて学習された。

公開音声認識ベンチマーク「Open ASR Leaderboard」の英語短文テストセットにおいて、平均単語誤り率（WER）5.06%を記録し、オープンウェイトモデルとして第2位の精度を達成した。また、Transformersに加えてvLLMやllama.cpp、Apple Silicon向けのmlx-audioを公式サポートしており、Mac環境などローカルハードウェア上で手軽に高速推論を実行できる。

日本のエンジニア・企業への影響と未確認事項

日本のユーザーにとって最大の注目点は、3モデル中2モデル（5.0-2bおよび5.0-470m-turboctc）が公式に日本語文字起こしをサポートしている点である。特に5.0-2bでは日本語向けの合成学習データが明示的に投入されており、専門用語や製品名など最大2,000語を事前登録して認識精度を引き上げるキーワードバイアス機能が日本語環境でも利用可能となっている。

未確認事項として、英語から日本語への音声翻訳精度に関する詳細なスコア表や、日本語の長文音声における方言やくだけた会話表現に対する認識精度の定量的ベンチマークはブログ記事内で個別には提示されていない。

オープン音声モデル市場におけるIBMの分析と展望

オープンソースの音声認識分野では、長らくOpenAIのWhisperが業界標準として君臨してきたが、Whisperは話者分離やキーワードバイアス、リアルタイム高速性（RTFx）に課題を残していた。

IBM Granite Speech 5.0は、商用利用に寛容なApache 2.0ライセンスを維持しながら、キーワード指定による専門用語認識、ミリ秒単位のタイムスタンプ精度、エッジ向け超高速モデル（Turbo CTC）を揃えた。企業の社内会議録音の要約やコンタクトセンターの通話分析において、クラウドAPIに音声を預けず自社環境（オンプレミスやローカルPC）で完結させたいエンタープライズの需要を捉える有力な選択肢になるとみられる。

引用元：Hugging Face