IBMは日本語を含む認識・翻訳モデル、Turbo CTC、話者情報を扱うPlus版の更新を発表しました。用途別に精度、速度、時刻情報を改善しています。 文字起こしの選定軸が複数あります。対象言語、長い録音、話者の区別、専門用語を実データで分けて評価することが焦点です。 音声業務の違いに合わせて3モデルを整備 IBMは10月21日、Granite Speechの3つの更新を紹介しました。新しいgranite-speech-5.0-2bに加え、5.0の470M Turbo CTCと4.1の2B Plusを更新します。精度を重視する認識と翻訳、高い処理量、誰がいつ話したかの把握を、それぞれの用途に分けています。会議や問い合わせの録音では、文章だけでなく、話者や時刻が必要になる場面があります。今回の発表は、その異なる要件へ対応するモデル群の変更です。すべてを単一の順位で選ぶのではなく、入力音声と必要な出力に合わせる構成として示されています。既存の利用者には、新しいモデルへ移る場合と同じ名称の重みを更新する場合があります。更新対象を区別して読むことも必要です。 日本語認識と専門用語、長い録音への対応 5.0 2Bは英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語を文字起こしし、英語との翻訳などを扱います。入力言語を示す指示や、最大2,000語の用語リストにも対応すると説明しています。Apache 2.0で提供し、Transformers、vLLM、llama.cpp、Apple Silicon向けmlx-audioでの利用を案内しています。Turbo CTCは多言語、句読点や大文字、雑音や残響への対応を更新しました。Plus版は話者の帰属、時刻、長い発話、用語の補正を改善しています。録音データを扱う開発者や、社内の文字起こし基盤を運用する担当者が対象です。原文の速度や誤り率は特定の評価条件によるもので、会議室や電話の音質が異なれば結果も変わります。必要な情報をどのモデルで得るかを確認することが重要です。 文字と話者と時間の誤りを分けて測る 実務では、短い音声の平均誤り率だけで選ばず、想定する録音の長さや環境で確かめることが論点です。日本語の固有名詞や社内用語が重要な場合は、用語リストの有無で比較する方法が考えられます。会議の記録では、文字が正しくても話者が違えば利用を誤る可能性があります。時刻のずれが検索や映像との同期へ及ぼす影響も別に測る対象です。モデルの更新によって出力形式や処理時間が変わらないか、既存の後処理と合わせた確認が必要です。音声の保管先、アクセス権限、不要になった記録の扱いも運用設計に含まれます。公開モデルを動かす費用には、実行資源と長い録音の処理待ちも関わります。まず対象業務の合格条件を定め、精度と速度、確認作業の負担を合わせて評価することが、導入判断の材料になります。