IBMが音声AIを公開

今回の更新でIBMはGranite Speechファミリーを、汎用の1モデルではなく用途別の3モデルに分けた。主力のGranite Speech 5.0 2Bは従来モデルと同じ20億パラメータ規模を維持しつつ、39万時間の公開音声で学習。IBMは雑音や反響への強さを強調しており、実際の会議室や工場で文字起こしを難しくする条件に対応する。新たなキーワード機能では最大2,000件の用語を事前登録でき、人名や製品名、略語の聞き間違いというよくある失敗を狙う。

軽量なGranite Speech 5.0 470M Turbo CTCは英語のみから日本語を含む7言語に拡大し、自動句読点と英語の大文字化を追加、処理速度は約1.6倍となった。IBMは端末上での文字起こしを想定する。別途、Granite Speech 4.1 2B Plusは複数話者の録音向けで、話者識別の誤りを約7%、長い音声の文字起こし誤りを24%削減した。字幕作成や録音会話の検索で効果を発揮する改善だ。

3モデルはいずれもApache 2.0で提供されるため、企業は独自ライセンスなしで商用導入・改変ができる。クラウドAPIではなく自社インフラで音声ツールを動かしたい組織にとって魅力的な選択肢となりそうだ。