Granite Speech 5.0 2B：IBMの新ASRモデルは、IBMが発表する2週間も前からHugging Faceに置かれていた

のリポジトリはGranite Speech 5.0 2Bに作成されました2026年10月7日。重みは同じ夜にコミットされ、そのコミットメッセージは「Upload granite-speech-5.0-2b checkpoint.」だけでした。その後、モデルカードは13日間そのまま公開の場で編集され続けました——13日にはベンチマークチャートが追加され、19日にはリリース日と公式リーダーボードの結果が記され、20日にはモデル署名ファイルが追加されました——そしてIBMが、実際にそれを発表したブログ記事を公開したのは2026年10月21日でした。このブログ記事はこれを書いている時点で公開から1日しか経っておらず、IBMがこのモデルについてどこかで述べているのは、いまだにこのブログ記事だけです。プレスリリースも、ibm.comの告知ページもなく、Granite製品サイトにも一般的なランディングページ以外に何もありません。このようなリリースの背後にある、記録されたAI障害やエージェントインシデントは、次の場所にまとめられています：OrcaRouter AI Incident Archive。そこでは各項目に、それぞれ独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付されています。

正直に言えば、「告知なし」でも「大々的に発表」でもありません。それは2週間ひっそりとダウンロード可能で、モデルカードが公開の場で書かれ、この記事の前日に発表されたモデルです。以下では、検証できる部分と、まだIBMの言葉だけにすぎない部分を分けます。

チェックポイントには実際に何が入っているのか

Granite Speech 5.0 2Bは音声言語モデルです。Conformer音響エンコーダがプロジェクターを介して小規模な言語モデルに入力します。これは、2026年4月29日に同じパラメータ数と同じApache 2.0ライセンスでリリースされたgranite-speech-4.1-2bの直接の後継です。

• サイズとフォーマット — 2Bパラメータ、BF16 safetensors、Apache 2.0、リポジトリにゲーティングなし。

• エンコーダー — CTCと2つの分類ヘッドで学習された16個のConformerブロック：348文字出力（先頭256個のASCIIエントリに加え、日本語向けの92文字の音声カタカナ集合）と、Granite 4.0トークナイザーから取得した100,353個のBPE出力。隠れサイズ1,024、128次元の8つのアテンションヘッド、畳み込みカーネル15、4秒ブロックアテンション。

• プロジェクター — 15個の1,024次元音響埋め込みのブロックに対する2層ウィンドウクエリトランスフォーマーで、ブロックおよび層ごとに3つの学習可能なクエリを持つ。エンコーダーの2×に加えて5×ダウンサンプリングするため、言語モデルは100 Hzのフレームではなく10 Hzの埋め込みを見る。

• 言語モデル — granite-4.0-1b-baseの中間チェックポイント。YaRNにより16k位置まで拡張され、プロジェクターと共同で学習されたLoRAアダプターを備えています。

• トレーニング — 約390,000時間の公開音声および合成音声を使用し、IBMのBlue Velaクラスタ上で8台のNVIDIA H100により合計40日間（エンコーダのトレーニング26日間、プロジェクターのトレーニング14日間）を費やした。

• 言語 — 文字起こしは英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語に対応。翻訳はこれら6言語と英語の双方向に加え、英語からイタリア語、英語から中国語（標準語）に対応。

390,000時間という数字は、このモデルが得意とする内容を考えるうえで最も重要な数字です。カードではその内訳が示されており、最大の単一ブロックはクリーンな朗読音声ではありません。LibriHeavyは句読点なし音声を45,600時間、句読点付き音声をさらに45,800時間提供し、VoxPopuli Granaryは24,000時間と句読点付き23,900時間を追加しています。さらに、IBMがコンテクスチュアルASRと呼ぶもの、つまり同じコーパスを再分割し、ノイズを含む前セグメントのコンテクストをプロンプトの先頭に付加したものが59,900時間あります。別に7,100時間と16,500時間は、それぞれ欧州言語グループと日本語グループにおけるキーワードバイアス付きASRです。この構成のため、主要な改善はクリーンな英語における生の単語誤り率ではなく、句読点、大文字化、堅牢性、キーワードバイアスに表れています。

5.06%という数字と、その下にある細かい注記

IBMの目玉となる主張は英語の平均単語誤り率5.06%にランクされると同社が説明する、Open ASR Leaderboardの9つの公開ショートフォームテストセット全体における結果であるオープンウェイトの上位ASRモデルの中で第2位。モデルカードは同じ数値を別のラベル——「2026年10月20日時点の公式結果」——で公開している一方、発表ブログではその基になった実行を「2026年10月15日時点の非公式」と呼んでいる。この2つの説明は5日と形容詞1語だけの違いで、IBM以外の誰もどちらも再現していない。

カードに載っている比較チャートは、その選定ルールが大きな役割を果たしているため、じっくり読む価値がある。平均WERで上位10個のオープンウェイトモデルを組織ごとに1つずつ示しており、Granite Speech 5.0 2Bが2位に位置づけられている：

• #1 Qwen3-ASR-1.7B-hf — 平均WER 4.94%。

• #2 Granite Speech 5.0 2B — 5.06%。

• #3 cohere-transcribe-03-2026 — 5.21%。

• #4 Hojo-ASR-V1 と #5 higgs-audio-v3-stt — それぞれ 5.22%。

• #6 thewhisper-large-v3-turbo — 5.24%。これはWhisperの名前を借りたコミュニティ製チェックポイントであり、同じリーダーボードで7.83%を記録するOpenAIのwhisper-large-v3-turboではない点に注意。両者はしばしば混同され、その混同は、読んでいるどの比較にとっても都合のよい方向に働く。

• #7 canary-qwen-2.5b — 5.38%；#8 ARK-ASR-0.6B — 5.44%；#9 MOSS-Transcribe-Diarize — 5.54%；#10 Voxtral-Small-24B-2507 — 5.81%。

そこから2つのことが導かれる。第一に、首位との差は0.12パーセントポイントであり、9つのテストセットでは、別のデコーディング設定から生じるノイズの範囲内にある——これは首位タイであり、2位と表現されている。第二に、#2から#6までの差は0.18ポイントである。クリーンな英語でこれらのモデルを分けているものが何であれ、それは精度ではない。IBMの本当の売り込みは別のところにあるはずで、実際そうだ。

ゲインが問題になるほど大きい場合：ノイズと距離

FFASRリーダーボードは、雑音や残響のある音声を測定する——近接場、高SNR、中SNR、低SNRの各条件を平均したものだ。これは5.0世代が4.1世代と体感できるほどの差で抜きん出る評価であり、今回のリリースで最も有用な数値だ。

• Granite Speech 5.0 2B — 平均WER 14.80%、ボード上で42モデル中4位（2026年10月18日時点の結果）。

• granite-speech-4.1-2b-nar — 15.16%、6位。

• granite-speech-4.1-2b — 16.35%、9位。

• 参考までに：同じボードでは whisper-large-v3 が 18.02%、nvidia/parakeet-tdt-0.6b-v2 が 17.66% です。

これは、遠距離場および雑音の多い音声において、直前の前世代モデルに対して1.55ポイントの改善です — 誤りの相対的な削減率はおよそ9.5% — 一方、クリーンな英語の平均は5.33%から5.06%へと、相対で約5%改善しました。言い換えれば、実際に文字起こしを導入する環境 — 会議室、コールセンター、ノートPCのマイク、離れた場所にあるタブレットのマイク — では、改善幅はおよそ2倍です。ASRスタックがスタジオ音声ではすでに問題なく、会議室では崩壊するなら、このリリースはあなたに向けたものです。

句読点は改善されたが、大文字表記は改善されなかった

カード内の唯一の数値表は、句読点誤り率（PER、低いほど良い）と大文字化F1（高いほど良い）について5.0と4.1を比較しており、文全体ではなくLevenshtein整列された単語ペアに基づいて計算されています。各行の方向性を読んでください。全体像は一様ではないからです。

• LScln — PER 25.70 → 23.20、Cap-F1 89.71 → 90.16。

• LSoth — PER 22.27 → 21.22、Cap-F1 91.26 → 91.65。

• VoxPopuli — PER 24.86 → 23.70、ただしCap-F1は95.35 → 95.07。

• 利益-22 — PER 22.87 → 21.64、ただしCap-F1 95.19 → 94.98。

• CV-EN — PER 9.13 → 9.18（やや悪化）。Cap-F1 96.75 → 96.96。

• CV-DE — PER 3.66 → 3.65；Cap-F1 99.50 → 99.51（ドイツ語では名詞が大文字で始まるため、この行はほぼ完璧です）。

• CV-ES — PER 11.61 → 11.46、Cap-F1 95.68 → 95.62。

• CV-FR — PER 11.00 → 11.43（悪化）、Cap-F1 97.25 → 97.20。

• CV-PT — PER 7.86 → 7.53；Cap-F1 98.51 → 98.48。

句読点は9セット中7セットで正しい方向に動いた。大文字化は9セット中5セットで誤った方向に動き、その幅は0.03～0.28ポイントだった。IBMの要約は「文字起こし精度の向上」と「句読点と大文字化」であり、全体としては妥当だが、細部についてはやや寛大だ。実用的に読み取るなら、不足するカンマが減ることは期待できるが、モデルが固有名詞や文頭を突然正しく扱えるようになることは期待しないほうがよい。

統合業務を変える2つの機能

実際のデプロイに影響を与える可能性が最も高い能力は、精度の機能ではなく制御の機能であるため、カードではまったくベンチマークされていません。

言語IDプロンプティング。「音声はドイツ語です。正確に文字起こしし、翻訳しないでください。」と前置きすると、モデルは英語に翻訳せずドイツ語のまま文字起こしします。これが重要なのは、自動翻訳してしまう音声モデルは、たとえばドイツ語のサポートアーカイブでは使えないからです。英語の文字起こししか得られず、元の言い回しが失われてしまいます。このプロンプトは対象言語で書いても機能し、多言語パイプラインではそちらの方が現実的なケースです。

最大2,000用語のキーワードバイアス。 前世代の上限は4.1のカードに厳密な数値として記載されていないが、5.0ではプロンプトごとに、ASRと音声翻訳の両方でサポートされるリストが2,000用語に引き上げられる。製品名、薬剤名、チケットID、顧客独自のSKUリストにとって、これは使用可能な文字起こしと修正が必要な文字起こしの差になる。カードではキーワードバイアスのF1を、バイアス適用あり/なしのグラフとして報告しているが、テキストに数値はないため、改善幅は定量化されていないものとして扱うこと。

また、知っておく価値のある安全設計上の詳細もあります。モデルが不正な形式または不慣れなプロンプトを受け取った場合、IBM によれば、そのプロンプトを無視して単純な文字起こしにフォールバックします。これは、音声がシステムに影響を与えられる範囲を意図的に制約するものであり、IBM は本番環境でのリスク検出のために、モデルを Granite Guardian と組み合わせることを推奨しています。

それを実行する

Granite Speech 5.0 2B は transformers>=4.52.1 で AutoModelForSpeechSeq2Seq と AutoProcessor を介してネイティブにサポートされています。カードには vLLM、llama.cpp、mlx-audio についても記載されており、これは聞こえ以上に重要です。これは GPU クラスタの背後に置くだけでなく、ラップトップ上でも実行できるモデルです。

• セグメント長 — 約2分までのチャンク単位で文字起こしし、それより長い録音はVADで分割してください。16k YaRNコンテキストは、1時間の音声を投入してよいという許可ではありません。精度はコンテキスト限界よりずっと早い段階で低下します。

• llama.cpp — このカードはQ8_0を推奨しており、より低いビットの量子化では約1分を超える音声で精度が失われると述べています。これは異例に具体的な警告であり、文字通りに受け取る価値があります。

• mlx-audio — 0.5.9以降、加えてjinja2。jinja2はmlx-audioがチャットテンプレートに必要とするものの、自身ではインストールしません。

• プロンプトはタスク固有であり、重要です —「適切な句読点と大文字化で音声を文字起こしする」は生の文字起こしプロンプトとは異なるモードであり、キーワードバイアスモードでは「Keywords: …」という接尾辞を取ります。

まだ知り得ないこと

三つの点は率直に明言する価値がある。周囲の報道はそうしないからだ。

第一に、独立した評価は存在しない。上記のすべての数値は、IBM自身の評価実行またはIBMが行ったリーダーボードへの提出に由来している。FFASRのチャートは「公式結果」と述べているが、これは提出物がボードに掲載されているという意味であり、第三者がモデルを実行したという意味ではない。再現結果、障害モードに関する報告書、IBMが選定していない音声での直接比較を公開した者は誰もいない。

第二に、ホスト型エンドポイントはありません。モデルカードには、モデルが「どの推論プロバイダーにもデプロイされていない」と明記されており、OrcaRouterのカタログにも見つかりませんでした — 209モデルの一覧には、どの世代のGranite Speechチェックポイントも含まれていません。現時点での選択肢は、重みを使うか、何も使わないかです。これは2日前に登場したモデルとしては普通のことであり、今後変わるでしょう。当面はセルフホスティングを計画してください。

第三に、ライセンスはファミリー内で異なっており、つまずきやすい点です。2BはApache 2.0で、商用制限はありません。小型のTurboCTCモデルは2つのバリアントで提供され、一方はApache 2.0、もう一方は非商用です — 名前だけではどちらがどちらか一目では分かりません。

これにより音声パイプラインはどうなるのか

2026年後半にGranite Speech 5.0 2Bを導入する際の現実的なアーキテクチャは、音声を文字起こしするセルフホスト型のエンコーダー・デコーダーと、その後の処理（通話の要約、項目の抽出、意図の分類、スキーマに照らした文字起こしのクリーニング）を行う別個の言語モデル呼び出しです。その第2段階は通常のテキスト生成であり、1つのベンダーに固定されないことの恩恵を受ける部分です。文字起こしは、OpenAI互換の1つのエンドポイントに送られ、そこではプロバイダー表示価格で200以上のモデルに追加料金なしでアクセスできます。そのため、クリーンアップ用モデルの差し替えは再構築ではなく設定変更で済み、プロバイダーの障害時にはパイプライン全体を巻き込んで停止するのではなくフェイルオーバーします。

音声ステージそのものについて言えば、今週の判断はベンチマークのチャートが示唆するより狭い。Granite Speech 5.0 2B は、信頼に足るオープンウェイトの英語 ASR モデルでトップ3に入るものであり、本番環境で ASR を破綻させるまさにその条件下で自社の前世代モデルから明確に改善しており、この規模の競合の大半が提供していない翻訳とキーワード制御を備えた、真に多言語対応のモデルでもある。しかも登場からまだ2日で、ベンダーによるベンチマーク評価のみで、再現はされていない。5.06% を信じる前に、自分の最も難しい音声で実行してみることだ。