IBM、音声認識モデルGranite Speech 5.0を公開、日本語の文字起こしと翻訳に対応

IBMが2026年10月21日、音声認識モデル群Granite Speechを更新しました。新モデルの5.0 2Bは日本語の文字起こしと翻訳に対応し、Apache 2.0で公開されています。

新モデル 5.0 2B の内容

granite-speech-5.0-2b は4.1 2Bの後継で、パラメータ数は同じです。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語を文字起こしし、英語との間で翻訳もできます。キーワード指定は最大2,000語で、対応する全言語で使えます。

• 言語指定：プロンプトで入力言語を示せる
• 環境音への耐性：雑音や残響、遠いマイクの音声に強くなった
• 整形出力：句読点と大文字化をプロンプトで依頼できる

他の2モデルの更新

Turbo CTC（granite-speech-5.0-470m-turboctc）は英語専用でしたが、日本語など複数言語に対応しました。処理速度は 19,870 RTFx で、従来の約12,600から約1.6倍です。会議など複数話者の録音には、granite-speech-4.1-2b-plusの更新版が向いています。

更新版は名称、API、プロンプト形式が変わらず、重みの差し替えで使えます。

• 長尺音声：WERが13.53から10.22に低下
• タイムスタンプ：平均のずれが210.86から98.54に縮小
• キーワード：20語指定時の誤りが45%減少

活動者にとってのポイント

関連情報

• Mac文字起こしアプリ「KIKINAO」発売、聞き直し修正と数値確認に対応

出典

• Hugging Face ブログ「Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Fa…」（2026-10-21）

活動者なび運営事務局

ニュースデスク

公式発表・プレスリリースをもとに、配信者・VTuber・歌い手・DTM 制作者向けの情報を日本語でまとめています。AI による要約を含み、公開の判断は人が行います。