詳しい解説 · 読了目安 7 分
Granite Speech 5：精度、処理量、話者帰属を分けて選ぶ
IBMの三つの音声モデル更新は、対応言語、スループット、話者に関する誤りを別々に評価する必要がある。
- 当サイトの公開日
- 原典の公開日
- 出典確認日
IBMは10月21日、Granite Speech5.0 2Bを新たに紹介し、Turbo CTCと4.1 2B Plusも更新した。選定では、多言語の文字起こし・翻訳、高速処理、話者と時刻に結び付いた文章のどれが必要かを先に決める。以下はIBMの記事の報告であり、AISubHubによるモデル実測ではない。
ニュースを聴く
この記事を読み上げるか、ニュースを続けて聴けます。
読み上げを準備中…
端末の音声
読み上げはブラウザーまたは端末が処理します。AISubHub は文章を音声 API に送りません。利用できる音声やロック画面での再生は端末によって異なります。
再開時に短い部分を繰り返す場合があります。
要点
- 2Bの音声認識は六言語、Turboは七言語とされる。普通話への翻訳出力は普通話ASRの対応を意味しない。
- Turboの19,870 RTFxはベンチマークの処理量であり、Plusは時刻・単語・話者帰属の誤りを別に測定している。
バージョン番号より必要な出力を先に決める
三つの名称は異なる仕事を示す。granite-speech-5.0-2bは、精度を重視した文字起こしと翻訳向けの新しい音声言語モデルである。更新されたgranite-speech-5.0-470m-turboctcは4億7,000万パラメータのエンコーダーという位置付けを維持し、高スループットと端末上の文字起こしを狙う。音声を速く処理することと、翻訳文を作ることは別の要件であり、同じ5.0でも相互に置き換えられるとは限らない。
granite-speech-4.1-2b-plusの更新は、会議やサポート通話など、複数の話者を含む長い録音を対象とする。IBMは構造、プロンプト形式、APIを変更しないため4.1を維持し、新しい重みをそのまま置き換えられるものと説明する。本站の分析では、会議検索には特定の人の発言を探す能力が重要であり、短い音声の平均認識成績だけでは評価できない。三製品を一つの品質順位にまとめるべきではない。
言語の方向と語彙指定には範囲がある
2Bが文字起こしするのは英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語である。翻訳は英語と残る五言語の双方向に加え、英語からイタリア語および普通話への出力が示される。後者は翻訳の出力方向であり、普通話がASR対象に加わることや逆方向の翻訳を証明しない。Turboの七言語ASRは、上記六言語にイタリア語を加えた構成である。
IBMは公開音声390,000時間に加え、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したと報告する。言語IDの指定、要求に応じた句読点・大文字化、文字起こしと翻訳を誘導する最大2,000語のリストも説明している。バイアスは固有名詞や略語を優先させる手段であり、指定語が実際に発話された保証ではない。後述のPlus比較は20語のリストを使っており、2,000語の上限とは別である。
Conformerの変更が示すのは処理量である
IBMによると、単一のConformerブロックをコンパイルし、そのグラフをスタック全体で再利用することで、ウォームアップを減らした。報告上同じ精度を維持しながら、Turbo CTCは約12,600から19,870 RTFxとなり、約1.6倍という。RTFxは逆実時間係数であり、ベンチマーク条件で音声の長さに対する処理能力を表す。個々の要求の応答遅延を測る値ではない。
継続的な処理量が大きくても、バッファリング、起動、バッチ処理、通信で待つ場合がある。この比較は端から端までの遅延や、特定端末での速度を保証しない。本站はグラフ再利用を検証対象の最適化機構と解釈しており、対話が必ず1.6倍速くなるという約束には置き換えない。
Plusの表では異なる誤りを区別する
4.1 2B Plusの全音声に対する平均タイムスタンプずれAASは210.86から98.54へ、短い音声の行は29.27から26.20へ変わる。表示された表にはAASの単位がないため、ミリ秒を補ってはいけない。長い音声のWERは13.53→10.22、単語の話者帰属誤りWDERは4.40→4.10、話者帰属付き転写のcpWERは30.50→28.48である。
20語リストで優先された単語のWERは11.79→6.48となる。IBMは長い音声と優先語の改善を約24%と45%、話者関連を約7%と要約する。これらは相対的な減少であり、同数のパーセントポイントの低下ではない。例えば13.53−10.22は、このWER尺度で3.31ポイントである。時刻の整合性が改善しても、単語そのものや話者の割り当てが正しいかの確認は別に必要となる。
図の矛盾と導入条件を消さずに示す
IBMの静的な英語短音声グラフでは、2Bの平均WERは5.06%とされる。図注は10月21日時点の公式結果と呼ぶ一方、埋め込み比較の脚注は10月15日時点の非公式結果とし、公開英語短音声データとオープンウェイト・モデルに範囲を限定する。iframeは九つのテストセットを説明している。本文は日付と公式性の矛盾を保持し、この図を読んだだけで現在の公式順位や、多言語・長い録音での品質を独立検証したとは扱わない。
IBMは三モデルすべてについてApache2.0とTransformersのネイティブ対応を示し、2BにはvLLM、llama.cpp、Apple Silicon用mlx-audioも挙げる。本站の分析では、必要な出力を選んだ後、対象構成で代表的な訛り、雑音、語彙、時刻、話者を検証すべきである。ライセンスはホスティング費用、業務データの利用権、プライバシーや提供状況を保証しない。本站はモデルを実行せず、外部モデルカードやブラウザデモも検証していない。公告には一般的な本番価格や地域別利用の保証もない。
注目する理由
本站の分析：転写品質、処理容量、話者付き検索という別々の選択肢が明確になる点に意味がある。現地での評価では、それぞれの結果を一つの見出しスコアに置き換えず、分けて測定したい。
制約と提供状況
IBM自身による発表と数値を説明し、図注の内部矛盾も残している。独立ベンチマーク、現在の順位、本番価格、普通話ASRの実証ではない。
出典と根拠
原典の公開日: · 出典確認日:
AI を活用した編集記事を、記載した一次情報で確認しています。企業の主張は出典を明示し、掲載は推奨を意味しません。