Granite Speech 5.0 2Bとは？
Granite Speech 5.0 2Bは、IBMが2026年10月20日にApache 2.0で公開した音声言語モデルです。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、これらの言語と英語の間で音声を双方向に翻訳するほか、英語からイタリア語と北京語への翻訳もできます。同じサイズでGranite Speech 4.1 2Bの後継となり、公開コーパスの39万時間の音声と合成データで学習されています。
16層のConformer音声エンコーダー、小さなアダプター、Granite 4.0 1B言語モデルで構成され、テキストのプロンプトで操作します。生テキストを求めるプロンプト、句読点と大文字を求めるプロンプト、入力言語を指定するプロンプトがあり、最大2,000語のキーワードリストで固有名詞や専門用語に寄せられます。Transformers、vLLM、llama.cpp、ibm/granite5-speechとしてのOllama（3.2 GBのQ8_0版）、Apple Silicon上のmlx-audio、Android上のLiteRT-LMで動作します。
Granite Speech 5.0 2Bは使う価値があるか？
Granite Speech 5.0は英語で正確で、汎用モデルが間違えがちな単語に特に強いモデルです。IBMによれば、2026年10月21日時点のOpen ASR Leaderboardの公開短尺セットで英語の平均WERは5.06%、オープンウェイトモデル中2位で、実時間の570倍で動きます。前モデルは5.33%でした。IBMのグラフではQwen3-ASR-1.7Bが4.94%で首位なので、新たな首位ではなく僅差の2位であり、数値はIBM自身の計測です。
最大の特徴はキーワードバイアスです。対応言語のいずれかで最大2,000語のリストをプロンプトに付けると、モデルは製品名、薬剤名、同僚の名字といった語に寄せて認識します。IBMの以前の4.1 Plusアップデートでは、20語のリストでバイアス対象語のWERが11.79%から6.48%に下がり、5.0ではリストの上限が増えました。
翻訳が選ぶ2つ目の理由です。1つのチェックポイントで文字起こしと翻訳ができるため、ドイツ語の会議を1回の処理で英語のテキストにできます。IBMは雑音、残響、遠いマイクへの耐性向上も報告しており、雑音下音声のFFASRボードではIBMのグラフで42件中4位、WER 14.80%です。
注意点：本質的には短尺向けです。IBMは約2分のセグメントを推奨し、長い録音は事前に音声検出で分割するよう勧めています。また低ビットのGGUF量子化は約1分を超えると精度が落ちるため、Q8_0が下限です。文字起こし対応の6言語はQwen3-ASRの30言語に比べて狭く、2Bのモデルカードにはタイムスタンプも話者ラベルもありません。IBMはそれらを別のGranite Speech 4.1 2B Plusに入れています。
結論：Granite Speech 5.0は、医療、法務、サポートの通話など、用語集を用意できる英語や欧州言語の業務に向いています。幅広い言語や長い録音を一度に処理したいなら、他のオープンモデルのほうが合います。
真価を発揮する場面
病院グループの臨床文書チーム
薬剤名や処置名を正しく表記して医師の口述を文字起こしする
2分ごとのセグメントに、採用薬リストを最大2,000語のキーワードリストとして付けます。Apache 2.0で院内運用すれば、患者の音声は病院のネットワーク内に留まります。
仏独系メーカーのオペレーション責任者
フランス語とドイツ語で行われる現場会議から英語の議事録を得る
英語への翻訳プロンプトを使えば1回の処理で英語のテキストになります。IBMの推奨どおり、事前に音声検出で録音を2分ずつに分割します。
オフラインのメモアプリを作るモバイル開発者
ネットワークなしでAndroidスマートフォン上で文字起こしする
IBMのLiteRT-LM変換版を同梱します。int8言語モデルを含む2.8 GBの単一ファイルで、コンテキストは4,096トークン、約2分の音声と応答が入ります。
導入前に確認すること
- 導入
- pip install transformers torchaudio soundfileでibm-granite/granite-speech-5.0-2bを読み込むか、ollama run ibm/granite5-speech:2b audio.wavにプロンプトを付けて実行します。音声は16 kHzモノラルである必要があります。
- 連携
- Transformers 4.52.1以上、OpenAI互換サーバーを備えたvLLM、/v1/audio/transcriptionsに対応するllama.cppのllama-server、Ollama、mlx-audio 0.5.9以上、LiteRT-LM 0.19.1。IBMは本番でGranite Guardianとの併用を勧めています。
- データとプライバシー
- Apache 2.0。学習データは公開コーパスとIBMが生成した合成データです。セルフホストなら音声は自社ハードウェアに留まり、Hugging Faceのエンドポイントは同社の規約に従います。
- 大規模利用時のコスト
- 重みは無料で、Q8_0版は3.2 GBなので小型GPUやAppleのノートPCに収まります。IBMが計測した実時間の570倍なら、100万分はオーバーヘッドを除いて約29 GPU時間の計算量です。
- 制限
- 文字起こしは6言語。イタリア語と北京語への翻訳は英語からのみ。1セグメント約2分未満が最適。LiteRT版のコンテキストは4,096トークン。話者分離とタイムスタンプなし。
良い点
- 英語平均WER 5.06%、IBMの10月のグラフでオープンモデル中2位
- 最大2,000語のリストによるキーワードバイアス
- 1つのモデルで文字起こしと翻訳
- Apache 2.0、Ollama、llama.cpp、mlx-audio、Androidで動作
気になる点
- 文字起こし対応は6言語
- 約2分のセグメントが最適で、長い音声は分割が必要
- Q8_0未満の量子化は1分を超えるクリップで精度が落ちる
- このモデルにはタイムスタンプも話者ラベルもない
- ベンチマークはIBM自身のもの
おすすめの人
英語と主要な欧州言語を、事前に列挙できる専門用語とともに文字起こしする企業。
Granite Speech 5.0 2Bの代替
Granite Speech 5.0 2B：よくある質問
- Granite Speech 5.0 2Bは使う価値があるか？
- Granite Speech 5.0は、対応言語数よりも固有名詞や専門用語の正確さが重要なときに選ぶべきオープン文字起こしモデルです。 評価は5点満点中4.0点です。
- Granite Speech 5.0 2Bの料金は？
- Apache 2.0で無料。アイドル時にゼロまで縮小するHugging Face Inference Endpointがあり、時間あたりの費用は選ぶハードウェアによります。
- Granite Speech 5.0 2Bの欠点は？
- 文字起こし対応は6言語; 約2分のセグメントが最適で、長い音声は分割が必要; Q8_0未満の量子化は1分を超えるクリップで精度が 落ちる; このモデルにはタイムスタンプも話者ラベルもない; ベンチマークはIBM自身のもの.
- Granite Speech 5.0 2Bは誰に向いているか？
- 英語と主要な欧州言語を、事前に列挙できる専門用語とともに文字起こしする企業。
- チームや本番環境でGranite Speech 5.0 2Bを使うと費用はいくらか？
- 重みは無料で、Q8_0版は3.2 GBなので小型GPUやAppleのノートPCに収まります。IBMが計測した実時間の570倍なら、100万分はオーバーヘッドを除いて約29 GPU時間の計算量です。
- Granite Speech 5.0 2Bは企業データを扱っても安全か？
- Apache 2.0。学習データは公開コーパスとIBMが生成した合成データです。セルフホストなら音声は自社ハードウェアに留まり、Hugging Faceのエンドポイントは同社の規約に従います。
- Granite Speech 5.0 2Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3-ASR (1.7B and 0.6B), Cohere Transcribe (03-2026), Parakeet TDT 0.6B v3, Whisper large-v3-turbo 、 ElevenLabs Scribe v2です。
回答確認日：2026年11月7日
Granite Speech 5.0 2Bの開発元の方へ：この評価をサイトに掲載できます
