メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信(無料)

Granite Speech 5.0 2B

Granite Speech 5.0 2Bは、自動音声認識と翻訳のために設計された多言語音声言語モデルです。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語をサポートし、転写精度とノイズ耐性が向上しています。

モデルを見る
共有
モデルを見る
共有

Granite Speech 5.0 2Bは、多言語自動音声認識(ASR)および双方向自動音声翻訳(AST)のために開発されたコンパクトで効率的な音声言語モデルです。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語を含む言語をサポートしています。このモデルは、公共コーパスおよび合成データセットからの390,000時間の音声で訓練されており、日本語のASR、キーワードバイアスASR、音声翻訳の能力を強化しています。

続きを読む

前モデルであるGranite Speech 4.1 2Bと比較して、このモデルは同じパラメータ数を維持しながら、英語の短文ASRにおける転写精度が向上し、ノイズや残響に対する耐性が増しています。また、多言語ASRのための入力言語IDプロンプトをサポートし、長文および会話の音声翻訳能力も向上しています。

Granite Speech 5.0 2Bは、さまざまなベンチマークで評価され、ノイズや残響のある音声条件でのパフォーマンスが向上していることが示されました。モデルのキーワードリストバイアス機能もテストされ、ASRタスク中のキーワードの転写における効果が実証されました。

モデルアーキテクチャには、16のコンフォーマーブロックを持つ音声エンコーダー、音声プロジェクター、大規模言語モデルが含まれています。IBMのスーパーコンピュータクラスターBlue Velaを使用して、NVIDIA H100 GPUで訓練されました。訓練プロセスは8つのH100 GPUで40日間かかりました。

Granite Speech 5.0 2Bは、特に音声からテキストへの処理や音声翻訳タスクに関わる企業向けアプリケーションを目的としています。transformersバージョン4.52.1以上でネイティブにサポートされており、最適なパフォーマンスのためにさまざまなプラットフォームと統合できます。

  • カテゴリーAIモデルとLLM
  • デプロイクラウド
  • プラットフォームWeb

  • 多言語ASRおよびASTのサポート

  • 転写精度の向上

  • ノイズおよび残響に対する耐性

  • 入力言語IDプロンプトのサポート

  • キーワードバイアスASRおよびAST

  • 句読点および大文字化機能

  • 390,000時間の音声で訓練

  • サポートされる言語: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

  1. モデルにアクセス:Hugging Faceを訪問

  2. 認証:アカウントを設定

  3. 環境を設定:transformersをインストール

  4. API経由で統合:transformersライブラリを使用

  5. 最適化:最良の結果のために推奨設定を使用

  • 多言語ASR
  • 音声翻訳
  • ノイズ耐性
  • キーワードバイアス
  • 企業向けアプリケーション

IBM の製品

Granite Speech 5.0 2B のレビュー

読み込み中...

Granite Speech 5.0 2B に似た人気のAIツール

Qwen3-ASR-1.7B-hf

AI モデル

Qwen3-ASR-1.7B-hfは、52の言語と方言に対応した高度なオープンソースのASRモデルで、言語識別と音声認識をサポートします。複雑な音響環境において高品質で堅牢な認識を提供し、ストリーミングとオフライン推論の両方に対応しています。

AIモデルとLLM
ツールを見る

AI モデル

52の言語と方言に対応した高度なオープンソースのASRモデルで、言語識別と音声認識をサポートします。複雑な音響環境において高品質で堅牢な認識を提供し、ストリーミングとオフライン推論の両方に対応しています。Qwen3-ASR-1.7B-hfは、52の言語と方言に対応した高度なオープンソースのASRモデルで、言語識別と音声認識をサポートします。複雑な音響環境において高品質で堅牢な認識を提供し、ストリーミングとオフライン推論の両方に対応しています。

AIモデルとLLM
AI モデル トップ5を見る

whisper-large-v3

AI モデル

Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

AIモデルとLLM
ツールを見る

AI モデル

自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

注目AIモデルとLLM
AI モデル トップ5を見る

Wav2vec 2.0

AI モデル

Wav2vec 2.0は、自動音声認識のための自己教師あり学習アルゴリズムです。生の音声から学習し、高い精度を達成するために最小限の書き起こしデータしか必要としません。これにより、広範なラベル付きデータセットへの依存を減らし、より多くの言語、方言、ドメインでの音声認識が可能になります。

AIモデルとLLM
ツールを見る

AI モデル

自動音声認識のための自己教師あり学習アルゴリズムです。生の音声から学習し、高い精度を達成するために最小限の書き起こしデータしか必要としません。これにより、広範なラベル付きデータセットへの依存を減らし、より多くの言語、方言、ドメインでの音声認識が可能になります。Wav2vec 2.0は、自動音声認識のための自己教師あり学習アルゴリズムです。生の音声から学習し、高い精度を達成するために最小限の書き起こしデータしか必要としません。これにより、広範なラベル付きデータセットへの依存を減らし、より多くの言語、方言、ドメインでの音声認識が可能になります。

AIモデルとLLM
AI モデル トップ5を見る

OpenAI Whisperは、自動音声認識と翻訳のための事前学習済みモデルです。複数の言語をサポートし、ファインチューニングなしでデータセット全体に一般化するように設計されており、さまざまなASRタスクに対応できます。

AIモデルとLLM
ツールを見る

自動音声認識と翻訳のための事前学習済みモデルです。複数の言語をサポートし、ファインチューニングなしでデータセット全体に一般化するように設計されており、さまざまなASRタスクに対応できます。OpenAI Whisperは、自動音声認識と翻訳のための事前学習済みモデルです。複数の言語をサポートし、ファインチューニングなしでデータセット全体に一般化するように設計されており、さまざまなASRタスクに対応できます。

AIモデルとLLM
AI モデル トップ5を見る

Wav2Vec2 Large XLSR-53は、クロスリンガル音声認識のために設計された事前学習済みの音声モデルです。自動音声認識などの特定のタスクに対してファインチューニングが必要で、複数の言語にわたってエラー率が改善されます。

AIモデルとLLM
ツールを見る

クロスリンガル音声認識のために設計された事前学習済みの音声モデルです。自動音声認識などの特定のタスクに対してファインチューニングが必要で、複数の言語にわたってエラー率が改善されます。Wav2Vec2 Large XLSR-53は、クロスリンガル音声認識のために設計された事前学習済みの音声モデルです。自動音声認識などの特定のタスクに対してファインチューニングが必要で、複数の言語にわたってエラー率が改善されます。

AIモデルとLLM
AI モデル トップ5を見る

SeamlessM4T v2 Largeは、ほぼ100言語で音声とテキストの翻訳をサポートする多言語・多モーダルの機械翻訳モデルです。前のバージョンよりも品質と速度が向上しています。

AI翻訳ツール
ツールを見る

ほぼ100言語で音声とテキストの翻訳をサポートする多言語・多モーダルの機械翻訳モデルです。前のバージョンよりも品質と速度が向上しています。SeamlessM4T v2 Largeは、ほぼ100言語で音声とテキストの翻訳をサポートする多言語・多モーダルの機械翻訳モデルです。前のバージョンよりも品質と速度が向上しています。

AI翻訳ツール
AI モデル トップ5を見る

Whisper Large V3 Turboは、自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。

AIモデルとLLM
ツールを見る

自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。Whisper Large V3 Turboは、自動音声認識と翻訳のための最先端モデルで、デコーディング層を減らすことで速度を最適化しています。複数の言語をサポートし、堅牢な文字起こし機能を提供します。

AIモデルとLLM
AI モデル トップ5を見る

Whistleは、さまざまなデバイス向けに設計されたコンパクトな音声認識モデルで、複数の言語での文字起こし、単語のタイムスタンプ、音声埋め込みを提供します。依存関係やGPU要件なしで効率的に動作します。

AIモデルとLLM
ツールを見る

さまざまなデバイス向けに設計されたコンパクトな音声認識モデルで、複数の言語での文字起こし、単語のタイムスタンプ、音声埋め込みを提供します。依存関係やGPU要件なしで効率的に動作します。Whistleは、さまざまなデバイス向けに設計されたコンパクトな音声認識モデルで、複数の言語での文字起こし、単語のタイムスタンプ、音声埋め込みを提供します。依存関係やGPU要件なしで効率的に動作します。

AIモデルとLLM
AI モデル トップ5を見る
1 / 8