01 / UNDERSTAND
仕組みと使いどころ
Granite Speechは単一モデルではなく、用途別のモデル群です。granite-speech-5.0-470m-turboctcは英語音声認識向けで、ノートPCやスマートフォンなどの端末上での利用を想定しています。4.1-2bは英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の音声認識と音声翻訳に対応します。4.1-2b-plusは話者情報、タイムスタンプ、キーワード指定による固有名詞や専門用語の認識支援を備え、4.1-2b-narは低遅延と処理速度を重視した非自己回帰型です。各モデルで対応言語や機能が異なり、すべての機能を共通して利用できるわけではありません。Apache 2.0ライセンスで公開されています。
02 / IN PRACTICE
Granite Speechの活用例
たとえば、こんな場面で
会議音声の文字起こしには4.1-2bを使い、話者情報や時刻が必要なら4.1-2b-plusを検討できます。英語音声を端末上で高速に処理したい場合は、470m-turboctcを候補にできます。
03 / GOOD TO KNOW
使うときのポイント
対象言語、音声翻訳の要否、話者情報やタイムスタンプの必要性、速度と遅延の優先度を確認してモデルを選びます。入力音声のサンプルレートなど、利用するモデルと実行環境の要件も確認してください。
参考資料
Granite Speech | IBM Granite （新しいタブで開きます）Introducing the IBM Granite 4.1 family of models （新しいタブで開きます）Granite Speech · Hugging Face （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
