IBM、Granite Speechシリーズを更新：5.0-2B多言語モデルを追加、Turbo CTCは約1.6倍高速化
IBMが2026年10月21日に公開した公式ブログによると、Granite Speechシリーズに3つの更新がある。新モデルgranite-speech-5.0-2bは6言語の文字起こしと英語との相互翻訳に対応し、Turbo CTC 470M版は多言語対応を追加してRTFxを約1.6倍に向上、4.1-2b-plusは話者帰属とタイムスタンプを改善した。3つともApache 2.0ライセンスで公開されている。
主な変更
IBMが2026年10月21日に公開した公式ブログによると、Granite Speechシリーズに3つの更新がある。追加されたgranite-speech-5.0-2bはgranite-speech-4.1-2bの同パラメータ数の後継で、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が可能で、これらの言語と英語の間で相互翻訳できるほか、英語からイタリア語と標準中国語への翻訳もサポートする。学習には39万時間の公開音声と、日本語ASR、キーワードバイアス、翻訳のために構築した合成データを使用した。新機能には言語IDプロンプト、最大2000語のキーワードバイアスリスト、プロンプトに応じた句読点と大文字小文字の出力（ブログではテストセットでの大文字小文字F1は89.7から99.5としている）が含まれる。公開されたgranite-speech-5.0-470m-turboctcの改訂版は470Mエンコーダ規模を維持し、英語、日本語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語の文字起こしを追加し、句読点と大文字小文字をネイティブに出力する。IBMによると、単一のConformerブロックをコンパイルしスタック内で計算グラフを再利用することで、このモデルはOpen ASR Leaderboard上で19870 RTFxに達し、公開時点の約12600 RTFxと比べて約1.6倍高速で、精度水準は同じだという。granite-speech-4.1-2b-plusの改訂版は4.1の名称を保持し、IBMはアーキテクチャ、プロンプト形式、APIは変わらず、重み改善による直接置換だとしている。ブログでは単語レベルの話者分離誤り率WDERが4.40から4.10、話者帰属付きWERが30.50から28.48、全音声の平均タイムスタンプ偏移が210.86から98.54、長音声WERが13.53から10.22、20語のキーワードリストでのバイアス語WERが11.79から6.48に低下したと列挙している。ブログによれば3モデルはすべてApache 2.0ライセンスで公開され、Transformersでネイティブサポートされ、5.0-2bはさらにvLLM、llama.cpp、Apple Silicon向けのmlx-audioをサポートする。これらの数値と順位はすべてIBMの自己申告である。
開発者への影響
開発者への直接的な影響は単一モデルのアップグレードではなく、3つの選択可能な代替経路に集中している。第一に、既存パイプラインが音声言語モデルで多言語文字起こしを行い、固有名詞の誤りに敏感な場合、5.0-2bが導入するプロンプトレベルの制御項目は評価可能な新しい変数となる。言語IDプロンプト、最大2000語のキーワードバイアス、必要に応じた句読点と大文字小文字はいずれも推論時の入力であり重み層の変更ではないため、デプロイ構成を変えずに比較テストできる。第二に、Turbo CTC改訂版は多言語、ネイティブの句読点と大文字小文字、残響音声向けの学習を追加し、同時にIBMはRTFxが約12600から19870に向上したと報告している。これは端末側や高スループットのシナリオでは単位ハードウェアで処理できる音声時間が大幅に増えることを意味するが、RTFxはスループット指標であり、IBMは同じ精度水準での向上としているため、特定のノイズやアクセント分布での誤り率を推測することはできない。第三に、4.1-2b-plus改訂版はアーキテクチャ、プロンプト形式、APIがすべて不変の直接置換と説明され、タイムスタンプ、長音声、キーワードバイアス指標の改善幅が最も大きい。これにより会議やカスタマーサポート録音パイプラインの確認と字幕同期のコストが下がる可能性があるが、置換は自社音声での検証が必要だ。注意すべきは、これらのモデルはオープンウェイトであり、ブログに記載されたApache 2.0ライセンスおよび文字起こしと翻訳が扱う言語範囲は、モデルカードと公開元の伝聞として扱うべきで、重みがダウンロード可能であることは完全なオープンソースライセンスの権利と自動的に等しくはなく、商用および再配布条件は添付ライセンス文書で確認する必要がある。さらに、これら3つの更新は一般的な音声基盤とは無関係で、いずれも具体的なモデルバージョンの変更だが、そのAPIとサービス可用性は公開元が決定し、いかなる第三者モデルカタログとも無関係である。
導入と評価の提案
以下は開発者向けの条件付き分析と提案であり、検証済みの事実ではない。判断一：多言語文字起こしをgranite-speech-5.0-2bに切り替えるか。根拠は出典が報告する新機能——言語IDプロンプトと最大2000語のキーワードバイアスである。選択時には入力言語がプロンプトで明示的に判明するかを区別すべきだ。言語がレコードごとに判定できるなら言語IDプロンプトを推論リクエストに含め、プロンプトなしのベースラインと比較できる。音声が言語混在または言語不明なら、このプロンプトの利益は不確実であり、自動言語判定の性能評価に重点を置くべきだ。前提として推論スタックがプロンプト形式の入力をサポートする必要がある（ブログはTransformersのネイティブサポートを述べ、vLLM、llama.cpp、mlx-audioを列挙している）。測定可能な評価基準：自社製品名、人名、略語で構成する約20から200語のキーワード表で、バイアス有効時と無効時のバイアス語誤り率の相対変化を比較し、同時に全体WERが悪化しないかを記録する。判断二：端末側または高スループット文字起こしのためにTurbo CTC 470M改訂版を元の英語版の代わりに使うか。根拠は出典が報告する2つの変化——多言語追加とネイティブの句読点・大文字小文字、およびIBM報告のRTFx向上である。選択の判断条件は業務が非英語文字起こしを必要とするかにある。英語のみで既存パイプラインが句読点復元ステップを外部付加しているなら、置換の主な利益はそのステップの除去とスループット向上である。多言語が必要なら、対象言語がブログに列挙された7言語内かを先に確認する必要がある。評価基準：固定した同時実行数とハードウェア条件下で単位時間音声の処理時間と実際の誤単語率を測定し、残響や遠距離録音を含むサンプルで別途集計する。ブログはこのバージョンが残響音声向けに明示的に学習されたとしているためだ。判断三：4.1-2b-plusを会議および複数話者録音の直接置換とするか。根拠は出典が報告する重み改善と不変項目——アーキテクチャ、プロンプト形式、APIが不変で、WDER、cpWER、全音声タイムスタンプ偏移、長音声WERがいずれも低下していることである。選択条件は既存パイプラインがすでに4.1のプロンプトとインターフェースに接続されている場合で、このとき置換コストは主に回帰検証でありコード変更ではない。評価基準：自社の長い会議録音で話者帰属誤り率とタイムスタンプ偏移を同時に集計し、話者切り替え点と長音声の後半でのドリフトに注目する。出典が示す改善幅は異なる部分集合で一貫していないためだ。上記の評価はすべて自社データで完了すべきで、出典の自己申告指標は事前情報としてのみ扱う。
制限と未確認事項
上述の指標、順位、速度データはすべてIBMの自己申告によるブログとモデルカードに由来し、本ブリーフは独立に再現しておらず、自社データでも検証していない。複数の具体的数値には比較可能な第三者の再現が欠けている。例えば19870 RTFxと約12600 RTFxの対比は同一公開元の測定口径によるもので、環境を跨いだ直接比較はできない。大文字小文字F1の89.7から99.5の範囲は各テストセットの具体的な分割方法を説明していない。出典はTurbo CTC改訂版と4.1-2b-plus改訂版の追加言語における言語別誤り率を開示しておらず、各言語と英語の相互翻訳方向の個別指標も示していないため、多言語性能には明らかな未知がある。2000語上限でのキーワードバイアスの精度性能や、超長キーワードリストによる遅延コストも出典は説明していない。明確に指摘すべきは、これら3つのバージョンは現在KimiSeekのリアルタイムカタログに対応する項目がないことである。本ブリーフで言及するモデル可用性と入手方法（Transformers、vLLM、llama.cpp、mlx-audioなど）はすべてIBMの公開チャネルを指し、本プラットフォームに掲載済みではない。今後の掲載有無と対応する呼び出し価格はKimiSeekの価格ページに基づくべきである。ライセンス面ではブログはApache 2.0での公開としているが、重みがダウンロード可能であることはライセンス権利の完全性と等しくなく、実際の商用および再配布条項は添付ライセンスとモデルカードで確認する必要がある。最後に、出典は本番デプロイでGranite Guardianを併用したリスク検出を推奨しているが、この推奨自体に評価データは付随しておらず、採用するかは自身でテストする必要がある。