IBMは、オープンソースの基盤モデルシリーズ「Granite」の最新ラインナップとして、4億7000万パラメータの英語音声認識モデル「Granite Speech 5.0 Turbo CTC」を公開した。
本モデルは、接続論的時系列分類（CTC）アーキテクチャを採用し、高い文字起こし精度を維持しながら極めて高速な推論性能を実現している。NVIDIA H200 GPUを用いたバッチ推論環境において、リアルタイム比12,600倍速（12,600 RTFx）以上を達成しており、わずか1秒の処理時間で3.5時間以上の音声をテキスト化可能である。
Hugging Face上にてモデルウェイトおよび推論コードが無償公開されており、大規模な音声データ処理やリアルタイム文字起こしパイプラインへの組み込みが推奨されている。
https://huggingface.co/blog/ibm-granite/granite-speech-5-0-470m-turboctc
コメント (0)