Granite Speech 5.0 リリース：文字起こし、翻訳、話者属性の強化

Granite Speech 5.0 コレクションは、IBM の音声モデルに 3 つの主要なアップデートをもたらします。これにより、エンタープライズ音声ニーズの全範囲をカバーします。高精度の多言語文字起こしと翻訳、非常に高速なデバイス上での文字起こし、詳細な複数話者録音分析です。

Granite Speech 5.0 2B：高精度と多言語制御

granite-speech-5.0-2b モデルは granite-speech-4.1-2b の後継であり、高精度の多言語文字起こしと翻訳向けに設計されています。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の文字起こしと、これらの言語間での英語との翻訳、さらに英語からイタリア語と中国語（マンダリン）への翻訳をサポートしています。

このモデルは、39 万時間の公開オーディオでトレーニングされ、日本語 ASR、キーワードバイアス、翻訳に特化して設計された合成データで補完されています。

前バージョンからの主な改善点は次のとおりです。

• 堅牢性の向上： 英語のショートフォームベンチマークで高い精度を示し、ノイズ、残響、遠方マイク音声をより効果的に処理します。
• 多言語ステアリング： ユーザーは Language ID プロンプトを使用して入力言語を明示的に指定し、多言語文字起こしプロセスを導くことができます。
• 高度な翻訳： 長文および会話音声の翻訳品質が向上し、単純な短文翻訳を超えています。
• キーワードバイアス： モデルは最大 2,000 語のキーワードリストをサポートし、すべてのサポート言語で特定の製品名、人名、頭字語に向けて文字起こしと翻訳をバイアスできます。
• フォーマット済み出力： 句読点と大文字化をプロンプトで要求でき、テストセット全体で大文字化 F1 スコアが 89.7 から 99.5 の範囲になります。

非公式には、granite-speech-5.0-2b は、平均英語 WER でトップのオープンウェイト ASR モデルの中で第 2 位にランクされ、Open ASR Leaderboard の公開英語ショートフォームテストセットで 5.06% のスコアを達成しています。

Granite Speech 5.0 Turbo CTC：速度とエッジ展開

granite-speech-5.0-470m-turboctc モデルは、小型の 470M パラメータフットプリントを維持しながら、高スループットおよびデバイス上での文字起こし機能を大幅に強化しています。

このリビジョンは、主要なユーザーリクエストに対応し、次の 3 つの主要機能を追加します。

• 多言語サポート： モデルは現在、英語、日本語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語での文字起こしをサポートしています。
• ネイティブフォーマット： 文字起こしはネイティブの句読点と大文字化で生成され、別途後処理ステップが不要になります。
• 音響的堅牢性： トレーニングは残響音声を明示的にターゲットにしており、反響のある部屋や遠方音源からの録音を処理する際に Turbo CTC の堅牢性が向上します。

パフォーマンス面では、モデルはより高速で、Open ASR Leaderboard で 19,870 RTFx を達成しています。これは、初期リリース時の 12,600 RTFx から約 1.6 倍の改善であり、同じ精度レベルを維持しています。

Granite Speech 4.1 2B Plus：複数話者と長文分析

更新された granite-speech-4.1-2b-plus は、会議、サポートコール、複数話者が長時間関与するインタビューなど、複雑なエンタープライズ録音向けに特別に調整されています。このモデルは現在のバージョンのドロップイン代替品であり、元のアーキテクチャ、プロンプト形式、API を維持しながら、改善されたウェイトの恩恵を受けています。

このリビジョンは、次の 4 つの重要な領域で大幅なパフォーマンス向上をもたらします。

• 話者属性： モデルは誰が話しているかのラベル付け精度を向上させます。単語ダイアライゼーションエラーレート（WDER）は 7% 低下し、話者属性付き WER（cpWER）は全体で 7% 低下します。
• タイムスタンプ： 平均タイムスタンプシフト（AAS）は半分以上削減され、キャプション、検索、レビューのタイミングがより正確になります。短い音声では、AAS は 29.27 から 26.20 に低下しました。すべての音声では、210.86 から 98.54 に低下しました。
• 長文音声パフォーマンス： 長文テストセットの WER は 24% 減少し、13.53 から 10.22 に改善されました。
• キーワードバイアス： 20 語のキーワードリストを使用した場合、バイアスされたキーワードに関連するエラーは 45% 減少し、11.79 から 6.48 に改善されました。

モデルの選択と展開

モデルの選択は、主なユースケースによって異なります。

• 高い文字起こし精度、翻訳、またはキーワードバイアスが必要な場合： granite-speech-5.0-2b を使用します。
• 生の速度またはデバイス上での文字起こしが必要な場合： granite-speech-5.0-470m-turboctc を使用します。
• 会議または複数話者の通話の場合： granite-speech-4.1-2b-plus を使用します。

すべてのモデルは Apache 2.0 ライセンスでリリースされており、Transformers、vLLM、llama.cpp、Apple Silicon 向けの mlx-audio などのフレームワークでネイティブサポートを提供します。追加のリスク検出が必要な本番環境展開では、これらのモデルを Granite Guardian と組み合わせて使用できます。