Granite Speech 5.0 Turbo CTC、2版の違いと数値の測定条件

この記事は海外の一次情報をAIエージェントが調査・検証して整理したもので、実際に試した体験談ではありません。

結論:商用可の代償は集約WER 0.15ポイント、速度の数字は2つの機材で測られている

対象は次の2モデルです(いずれもモデルカードの Release Date は August 25, 2026)。

granite-speech-5.0-470m-turboctc — Apache 2.0。商用利用が可能な側
granite-speech-5.0-470m-turboctc-nc — CC-BY-NC-SA-4.0。非商用に限られる側

IBM の説明では、2モデルの違いは主に学習データとライセンスにあります。判断に効くのは次の3点です。

公開テストセットでの集約WERが 5.00% 対 4.85%(差は0.15ポイント)
非商用版だけが2つのデータセットを追加で学習している
公表されているRTFxは、リーダーボードごとに別々のGPUで測られている

出どころは Hugging Face Blog・2つのモデルカード・Hugging Face のモデルメタデータで、いずれも IBM 側が出した資料です。リーダーボード本体の集計から裏を取る作業は、2026年8月29日時点では完了していません。

条件別:2つの版はどこが違うか

項目	Apache 2.0版	非商用版(-nc)
ライセンス(IBMの公開時の表記)	Apache 2.0	CC-BY-NC-SA-4.0
集約WER(公開7セット平均)	5.00%	4.85%
平均RTFx(1×H200・バッチ推論)	13,042.98	12,867.96
追加の学習データ	なし	GigaSpeech 10,000時間、SPGI Speech 4,900時間
学習時間のIBM表記	約60,000時間	約75,000時間
トークナイザ(ブログの記述)	BPE	SentencePiece
総パラメータ数(HF API)	472,993,792	472,993,792

パラメータ数は同値です。IBM の「470M」は丸めた表記で、実測は約4億7,300万にあたります。なおトークナイザの区別はブログでの表現であり、両モデルカードはどちらも出力層を「16,384 BPE units」と記載しています(byte-level BPE と SentencePiece 系 BPE の違い)。

テストセット別のWER

集約WERは公開7テストセットの平均です。モデルカード掲載の棒グラフによると、内訳は次のようになります。

テストセット	Apache 2.0版	非商用版
AMI-Cleaned	7.52	7.13
Earnings22-Cleaned-AA-chunked	6.69	8.12
Gigaspeech-Cleaned	8.67	8.30
LS Clean	1.42	1.39
LS Other	2.66	2.61
SPGISpeech	3.18	1.74
Voxpopuli-Cleaned-AA	4.88	4.65
平均	5.00	4.85

差が最も大きいのは SPGISpeech で、これは非商用版だけが学習しているデータセットです。逆に新しい chunked 版の Earnings22 では Apache 2.0版のほうが良い値になっています。原典も「非商用版はほとんどのテストセットで(on most test sets)わずかに正確」と限定して書いており、全面的な優劣ではありません。

速度の数値と、その測定条件

数値	値	測定条件(原典の記載)
ブログ本文のRTFx	12,600超	NVIDIA H200・バッチ推論。2モデルをまとめた下限表現
Apache 2.0版の平均RTFx	13,042.98	OpenASR公開テストセット・1×H200
非商用版の平均RTFx	12,867.96	同上
FFASR側の上位2値	363 / 362	FFASRリーダーボード・1×L4 GPU

H200上の値とL4上の値は、同じRTFxという名前でも同じ土俵にありません。読むときの前提は2つです。

指標の性質: Open ASR Leaderboard の論文(2025年10月公開)は、RTFx の絶対値が基盤ハードウェア次第でシステム間に大きな開きを生むと記しています
図の制約: FFASR の速度図はモデル名が途中で切れているため、363 と 362 の帰属は図から特定できません

手順:どちらの版を選ぶか

商用利用の有無を先に確定する。商用サービスに組み込むなら Apache 2.0版のみが対象になり、0.15ポイントは選択の余地のない差になります
対象の音声に近いテストセットの個別値を見る。集約WERは7セットの平均であり、SPGISpeech と Earnings22-chunked では差の向きが逆です
速度は機材ごとに分けて見積もる。H200上のRTFxをL4やCPUの見積りに転用しないこと
実装はモデルカード側の記述を採る。モデルカードは transformers>=5.16.0 で正式サポートと書いており、2026年8月26日に更新されています。ブログ本文は「次の Transformers リリースまではソースからインストール」と書いたままです

注意点

5.00% / 4.85% は「OpenASRの総合スコア」ではない

IBM が明示しているのは、OpenASR リーダーボードの公開・英語ショートフォームテストセットにおける2026年8月25日時点の集約値です。原典自身が、非公開データセットを含む結果はリーダーボード側を参照するよう案内しています。条件を落として「リーダーボードのWER」と書くと、別の数字を指すことになります。

FFASRの順位は同じIBMの資料どうしで食い違う

2026年8月25日時点の順位について、IBM の資料は2通りの記述を持っています。

ブログ本文: Apache 2.0版が精度9位、非商用版が5位。あわせて、この2本が最速の2モデルだったとも記載
両モデルカードのヒートマップ(平均WER順・上位10モデル): 非商用版は上から5番目で本文と一致しますが、Apache 2.0版は上から8番目
リーダーボードの仕様: 利用者がチェックしたシナリオ列の平均WERで並べ替えるため、順位はそもそも単一の確定値になりません

日本語対応はうたわれていない

言語まわりの記載は次の状態です。

5.0 Turbo CTC の両カード: Supported Languages の欄は English の1行だけ。リポジトリのメタデータも en の1件のみ
2026年4月公開の granite-speech-4.1-2b のカード: 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6言語と、双方向の音声翻訳を掲載
原典に無い記述: 日本語音声を入力したときの挙動。そのため成り立つのは「IBM は日本語対応を掲げていない」という水準までです

また原典は、新モデルがエンコーダのみの構成であるとしたうえで、LM を備えた従来モデルの機能の一部(音声翻訳やキーワードバイアスなど)を手放したと書いています。原文は “such as” による例示で、手放した機能がこの2つに限られるとは書かれていません。

遅延とCPU性能の数値は原典に無い

IBM のブログと2つのモデルカードには、ミリ秒単位の遅延の数値も、CPUだけで推論したときのスループットの数値も記載されていません。「低遅延」は Intended Use に目的として書かれているだけで、測定値の裏づけは付いていません。

ただし、ストリーミング自体が無いわけではありません。ブログからは WebGPU 版の実演デモへリンクが張られており、動作環境を Chrome と Edge に限る旨の注記が添えられています。

TPU埋め込みのコサイン類似度0.999は何と比べた値か — 公表値の比較相手と測定構成を切り分ける同型の整理
音声認識のベンチマーク最適化とは:3つのプローブと数値の分母 — ASRの公表値がそれぞれ何を分母にしているかを扱った回