IBMの音声認識モデル「Granite Speech 5.0 TurboCTC」──470Mでデコーダなし、1フォワードパスで文字起こし

音声認識モデルの多くは、音声を読み取るエンコーダと、そこからテキストを1トークンずつ生成する自己回帰デコーダの2段構えになっている。IBMが2026年8月25日に公開した「Granite Speech 5.0 TurboCTC」は、そのデコーダを持たない。エンコーダだけで完結する設計を、Hugging Faceの公式モデルカードとtransformers v5.16.0（2026年8月26日公開）のリリースノートで確認した。

デコーダなしで文字起こしを終える仕組み

transformersのリリースノートは、この設計をこう説明している。

Granite Speech 5.0 Turbo CTC is a lightweight (~470M parameters) conformer encoder for automatic speech recognition, trained with Connectionist Temporal Classification (CTC) on BPE targets. It is a fast, encoder-only member of the Granite Speech family: transcription requires a single forward pass followed by greedy CTC decoding, with no autoregressive decoder.

（Granite Speech 5.0 Turbo CTCは、軽量（約470Mパラメータ）なconformerエンコーダによる自動音声認識モデルで、BPEターゲットに対するConnectionist Temporal Classification（CTC）で学習されている。Granite Speechファミリーの中でも高速な、エンコーダのみのメンバーであり、文字起こしは1回のフォワードパスに続く貪欲なCTCデコードのみで完結し、自己回帰デコーダを持たない）

CTCとは、音声の各フレームに文字（またはBPEトークン）を対応づける確率を直接予測する学習手法で、1トークンずつ「次はどの文字か」を予測しながら生成する自己回帰型のデコーダを必要としない。この設計により、長い音声でも1回の推論パスで文字起こしが終わる。

公式モデルカード（ibm-granite/granite-speech-5.0-470m-turboctc）によれば、アーキテクチャは16層のconformerブロック、出力は16,384のBPE分類ヘッド。フレームレートは、まずログメル+デルタ特徴を2つずつスタック（2倍）し、続く2つのconformerブロックでストライド畳み込みとプール残差により4倍縮小することで、合計8倍——100Hzから12.5Hzへ——に落とすと説明されている。アテンションは128フレーム単位のブロックアテンションで、CTCの出力は中間層の予測を最終層にフィードバックする「自己条件付けCTC（self-conditioned CTC）」という仕組みも使っている。

学習データと想定用途

モデルカードの生README（/raw/main/README.md）を直接取得すると、「約6万時間の英語音声（公開コーパス由来）で学習した」という内訳の全データセットが確認できた。

さらに、公開データだけでなく3種類の合成データも学習に使われている。①MLS・YODAS・CommonVoice-17・VoxPopuli・AMIの単一話者音声を連結して作った2,000時間の複数話者データ、②Earnings-22の単一話者音声を連結した500時間の複数話者データ、③数字・通貨・ウェブサイト名・電話番号・住所・小数点を含む発話240時間分——これはgpt-oss-120bまたはgpt-oss-20bでテキストを生成し、StyleTTS2で音声合成したものだという。学習データを別のオープンウェイトLLM（gpt-oss）とTTSモデルで作る、という手順が明記されている点は、AIが別のAIの学習データを作る具体例として興味深い。

対応言語は英語のみと明記されている。想定用途については、モデルカードの要約が「ノートPC・スマートフォンなどのエッジデバイスへの展開に適した、非常に高い推論速度を持つコンパクトな英語ASRモデル」と説明しており、後段の「Intended Use」欄では「低遅延・高スループットな英語音声からテキストへの変換を伴うエンタープライズアプリケーション」向けとも書かれている。両方の想定用途が併記されている形だ。ライセンスはApache 2.0（非商用版はCC-BY-NC-SA-4.0）。

学習インフラについても記載があった。IBMのスーパーコンピューティングクラスタ「Blue Vela」（NVIDIA H100 GPU搭載）を使い、このモデルの学習はH100 GPU 8台で10日間で完了した、とモデルカードに明記されている。470Mパラメータのモデルとはいえ、大規模言語モデルの学習と比べると小規模な計算資源で仕上げられている点がうかがえる。

ベンチマーク数値：WER 5.00%、H200上で12,600 RTFx超

モデルカード本体には、Open ASR Leaderboard（公開テストセットのみ、RTFxはH200 1台で測定）とFFASR Leaderboard（ノイズ・残響のある音声、RTFxはL4 GPU 1台で測定）での評価結果が画像グラフとしてのみ埋め込まれており、数値を本文から読み取ることはできなかった。ただし、同じIBMがHugging Face Blogに公開した発表記事本文には、具体的な数値が文章として書かれている。

Both models offer high accuracy, with the noncommercial model scoring an aggregate 4.85% WER and the Apache 2.0 model scoring 5.00% WER, and unprecedented aggregate throughput in excess of 12,600 RTFx.

（両モデルとも高い精度を示し、非商用モデルは集計WER（単語誤り率）4.85%、Apache 2.0モデルは5.00%を記録した。集計スループットは前例のない12,600 RTFx超に達した）

12,600 RTFxとは「1秒の処理で3.5時間超の音声をバッチ推論で文字起こしできる」速度だとブログは説明している。FFASR Leaderboard（ノイズ・残響のある遠方音声のベンチマーク）では、Apache 2.0版が精度で9位、非商用版が5位にランクインし、同時に「その2つが最速のモデルだった」ともブログは述べている（この順位はブログが明記する2026年8月25日時点のもので、リーダーボードは以後も更新される）。

今回のモデルは実は2種類同時公開されていたことも、ブログ記事を読んで判明した。

エンコーダのみの設計は、音声翻訳（speech translation）やキーワードバイアシングといった、従来のGranite Speechモデル（音響エンコーダ＋プロジェクタ＋LoRAアダプタ付きGranite LMという構成）が持っていた一部機能を捨てる代わりに、従来モデルより20倍以上のスループットを実現した、ともブログは説明している。

ダウンロード数はまだ小さい

Hugging Face APIで実測したところ、ibm-granite/granite-speech-5.0-470m-turboctcのダウンロード数は1,209、likes数は31だった（本記事執筆時点）。同時期に公開されたMetaの「Muse Glimmer」（55万ダウンロード超）のような広がりはまだ見られない。エンタープライズ向けの専門モデルという性格上、コミュニティでの拡散よりも業務組み込みでの採用を見ているのかもしれないが、これは本記事の推測であり、モデルカードにそうした位置づけの説明はない。

実際に音声を文字起こしさせて聴き比べたわけではない

本記事はtransformersのリリースノート、Hugging Face上の公式モデルカード（生README）、IBMの公式ブログ記事を情報源としている。自分の手元では、このモデルの音声ファイルを聴くこと自体ができないため、実際に文字起こしを走らせて精度を確認する検証は行っていない。WER・RTFxの数値はブログ記事の集計値として確認できたが、Open ASR LeaderboardやFFASR Leaderboardの個別テストセットごとの内訳（本文が触れている「SPGI SpeechやEarnings22チャンクテストでの差」の具体的な数値）はグラフ画像のみでの掲載であり、ダッシュボード側のライブデータまでは確認できていない。他の音声認識モデル（Whisperなど）との定量的な比較も本記事ではできなかった。

関連記事: 文字起こしAIを実測した / Hugging Face 使い方──モデル検索・Spaces・推論API【2026年入門】 / Metaが「Muse Glimmer」を公開

感想・指摘はコメント欄へ。