IBM、Granite Speech 5.0 が 1 秒で 3.5 時間分の音声を文字起こしできると発表

IBMは2026年8月25日に、2つのコンパクトな英語音声認識モデルをリリースし、これまでのオープンモデルが達成していない転写スループットを主張しました。すなわち、1秒間に3.5時間以上の音声を処理できるというものです。これらはGranite Speech 5.0 TurboCTCと非商用版のペアで、どちらもパラメータ数はわずか4億7,000万です。同社は、単一のNVIDIA H200 GPU上で合計12,600 RTFx以上のスループットを報告しており、音声がリアルタイムの12,000倍以上の速度でモデルを通過すると説明しています。

この速度は、少なくともIBMの数値では競争力のある精度も伴います。OpenASR Leaderboard の公開英語短文テストセットにおいて、非商用バージョンは総合語彙誤り率（WER）4.85％、オープンライセンス版は5.00％を記録したと、IBMの発表で述べられています。これらの数値はベンダー報告であり、IBMは非公式とラベル付けしていますが、推論はHugging Face のジョブ基盤で実行され、リーダーボードのツールで評価されたため、同社は公式表が更新され次第、数値が一致すると見込んでいます。

この2つのモデルはサイズとアーキテクチャは同一で、訓練データとライセンスが異なります。Apache 2.0 ライセンス版は約60,000時間分の英語音声で訓練され、商用利用が許可されています。非商用バージョンは GigaSpeech と SPGI Speech を追加し、約15,000時間を加えて、コーパスは CC‑BY‑NC‑SA‑4.0 ライセンスの下で約75,000時間に達します。IBMは、追加データにより多くのテストセットでわずかな精度向上が得られ、特に SPGI Speech では顕著な利点があり、リーダーボードの新しいチャンク化された Earnings22 テストでは目立つ欠点があると述べています。

言語モデルなしのエンコーダー

速度主張は、IBM が省いた要素に基づいています。過去の Granite Speech リリース（IBM の Granite Speech 論文で文書化された 3.3 および 4.x 系列）では、プロジェクタと LoRA アダプタを介して Conformer 音響エンコーダを Granite 言語モデルに結合し、チャットモデルと同様にテキストを自己回帰的に生成していました。5.0 モデルでは言語モデルを完全に除外しています。残っているのは、接続主義的時間分類（CTC）で訓練された 16 層 Conformer エンコーダで、音声フレームを出力トークンに直接マッピングする単一の非自己回帰パスを貪欲デコードで行うデコード方式です。

さらに2つの変更が主な効果をもたらしています。従来の Granite エンコーダが秒間 50 文字を出力していたのに対し、新モデルは秒間 12.5 トークンを出力し、これは 100 フレーム/秒の log‑Mel 前処理から 2 倍の時間サブサンプリングを3段階で行うことで実現しています。また、出力語彙は文字から 16,384 の学習済みサブワード単位へと変わり、非商用モデルでは SentencePiece、Apache 版では BPE が使用されています。フレームレートの4分の1で、より少なく長いトークンを使用することで、IBM の計算では従来の Granite Speech モデルの20倍以上のスループットが実現されています。

このトレードオフは、機能の広さを犠牲にして転写に特化することです。言語モデルがないため、これらのモデルは以前のラインがサポートしていた音声翻訳やキーワードバイアスを失います。その代わり、ノートパソコンやエッジハードウェアに適したフットプリントを得ており、IBM はレイテンシとスループットが重要視されるエンタープライズ向け音声テキスト変換にこのペアを位置付けています。

評価が示すことと示さないこと

これまでで最も強力な独立した指標は、遠距離音声から得られます。騒音や残響のある音声認識を測定する FFASR Leaderboard において、IBM は2026年8月25日時点の公式結果を報告し、非商用モデルが精度で5位、Apache モデルが9位に位置付けられました。両モデルはボード上で最も高速な2エントリでもあり、スループットは単一の NVIDIA L4 で測定されています。FFASR は複数の SNR で騒音・残響・移動音源の音声を評価し、遠距離認識が劣化する条件を示しています（リーダーボードの説明による）。

ただし、見出しの 12,600 RTFx の数値には文脈が必要です。これは最速クラスのデータセンター向け GPU 上でのバッチ推論の数値であり、WebGPU ストリーミングデモを実行するノートパソコンが得られるものではありません。集計された WER は短文英語のみを対象としており、OpenASR Leaderboard の公式ランキング（非公開テストセットを含む）は、出版時点でまだ新モデルを取り込んでいません。IBM の自らの説明が正直な評価であり、これらはリーダーボードの確認を待つ強力なベンダー報告結果です。

トレーニング手法は、データのオープン性に関しても注目に値します。両モデルのコーパスに含まれるすべてのデータセットは公開されており、合成データは合計2,740時間で、うち2,500時間は単一話者セグメントを連結したマルチスピーカー音声、残り240時間は OpenAI のオープンウェイト gpt‑oss モデルで生成し、StyleTTS2 で合成した発話です。これらは数字、通貨、住所など認識器が苦手とする要素を対象としています。トレーニングは IBM の Blue Vela クラスタ上の 8 台の NVIDIA H100 GPU で 10 日間実施されました（モデルカード参照）。

両モデルは現在 Hugging Face で公開されており、transformers ライブラリでネイティブにサポートされています（次のリリースまでソースからインストール）。Granite Speech コレクションの下に配置されており、ブラウザベースのストリーミングデモは Chrome と Edge で動作します。専用の転写モデルが商用サービスと比較してどの位置にあるかを知りたい方は、当社の AI transcription software まとめをご覧ください。