IBM、Granite Speech 5.0を0円で公開 句点は0個だった

Granite Speech 5.0公開　日本語を含む6言語を文字にする

IBMは10月21日に音声認識AIの新版「Granite Speech 5.0」を公開した。中心になる「Granite Speech 5.0 2B」はパラメーター数が20億で、日本語・英語・フランス語・ドイツ語・スペイン語・ポルトガル語の文字起こしに対応する。学習には39万時間分の公開音声データなどを使った。

前の版から強くなったのは雑音と反響への強さだ。マイクから離れた場所で録った音声も、前より正確に拾えるという。IBMが公開した英語のテストでは単語誤り率が平均5.06%で、比べた公開モデルの中で2位だった。

人名や商品名を取り違える問題には、認識してほしい語を最大2000語まで先に渡せる仕組みで手を打った。英語と日本語の間で、音声を訳しながら文字にすることもできる。入力する音声の言語を指定する機能も加わった。

IBMの発表をもとに整理した公式の値。

Apache 2.0で商用も0円　MacのGPUでは動かなかった

3つのモデルはどれもApache 2.0ライセンスで公開され、商用利用も手直しもできる。使う料金は0円で、月額の契約も要らない。その代わり、動かすパソコンやサーバーは自分で用意することになる。

編集部は10月22日に、Granite Speech 5.0 2Bを手元のMac（Apple M4 Pro・メモリ24GB）で動かした。モデル一式は約5GBあり、落とすのに6分半かかった。MacのGPUを使う設定ではエラーになって動かせず、CPUだけで動かした。

CPUでも待たされる感じは無かった。29.3秒の音声を文字にするのにかかったのは1回あたり9.2〜10.3秒で、音声の長さの3分の1ほどで終わる。

AInformationが調べた議事録・文字起こしのAIツールは46本ある。無料で試せるのは27本で、料金が分かった38本の月額の中央は2,237円だった。Granite Speechは月額がかからない代わりに、画面もアプリも無く自分で組み込む前提になる。

会議の音声で試した　語の指定で6語中5語が合った

試したのは架空の定例会議の連絡を読み上げた29.3秒の音声だ。Macの読み上げ機能で作り、キントーン・セールスフォース・RPAといった業務の語と渡部・東海林という読みにくい名字を入れた。同じ音声に雑音を重ねた版も用意した。

比べる相手には、ChatGPTの開発元OpenAIの文字起こしAPIから「gpt-4o-transcribe」と「Whisper」を選んだ。どちらも言語に日本語を指定しただけで、語の一覧は渡していない。Granite Speech 5.0 2Bは同じ設定なら毎回同じ答えを返すので各1回ずつ流した。

AInformation独自検証（2026年10月22日・各1回）。数えたのはキントーン・セールスフォース・渡部・東海林・RPA・ノーションの6語。原稿は5文。

語を渡すとGraniteは崩れにくくなった。指示だけでは「キントーン」が「キンプロン」になり、雑音ありでは「近況」になった。語の一覧を渡すと、どちらも正しく書けた。雑音ありの音声では語を指定したGraniteのほうがgpt-4o-transcribeよりキントーンを正しく拾えた。

一方でRPAは最後まで書けなかった。一覧に入れても「アールｐａ」や「ｇａｒｐａ」と出ている。指示だけの回では「見積もり」が「三森」に、「担当」が「本当」に変わる取り違えもあった。

いちばん困ったのは句点だ。句読点を付けるよう頼んだ回を含め、6回とも「。」が1つも付かなかった。gpt-4o-transcribeは雑音の有無にかかわらず5文すべてに句点を付けて返している。

Granite Speech 5.0を議事録に使う前に　語の一覧を作る

社内で試すなら、まず自社の会議を1本録って流してみるのがよさそうだ。今回は読み上げの音声で試したので、人の話し声で同じ結果になるかは確かめていない。

• 社名・製品名・担当者の名字を部署ごとに一覧にして、指定する語として渡す
• 英字の略語は一覧に入れても崩れることがあるので、出力を検索して直す
• 句点が付かない前提で、清書と要約は別のAIに渡す流れにする
• 会議の録音を社外へ出せない職場では、手元のPCで動く点を生かす

音声を外のサービスへ送らずに済む文字起こしが0円で手に入るのは大きい。句点を打つ清書の工程を1つ足せるかどうかが、現場で使えるかの分かれ目になる。