Granite Speech 5 TurboCTCで英語音声を文字起こし

Granite Speech 5.0 TurboCTCはIBM Granite Speechファミリーの音声認識モデルです。音声を入力してテキストを返し、5.0 TurboCTCのモデルカードは英語音声認識を対象としています。韓国語・日本語の会議には、その言語をサポートするASR¹を選んでください。公式モデルカード

仮想環境²にPyTorch³、音声入力ライブラリ、Transformersを導入してください。英語WAVを作業フォルダーにsample.wavとしてコピーし、コードをtranscribe.pyに保存して実行すると、書き起こしがターミナルに表示されます。

python -m pip install torch torchaudio soundfile "transformers>=5.16.0" datasets

import soundfile as sf
from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="ibm-granite/granite-speech-5.0-470m-turboctc")
audio, sample_rate = sf.read("sample.wav", dtype="float32")
if audio.ndim > 1:
    audio = audio.mean(axis=1)
result = asr({"array": audio, "sampling_rate": sample_rate})
print(result["text"])

python transcribe.py

短い音声で文、数字、固有名詞を聞き、出力と比較してから実際の長さのファイルも試します。IBMの比較結果を読む場合は測定機材と音声条件も確認してください。H200・L4の数値をデスクトップGPU⁴やノートPCの実行時間として扱わないでください。

モデルカードにはApache 2.0ライセンスが記載されています。モデル版と利用目的に合う条件を確認し、結果を公開したり製品に同梱したりする場合は再配布条件も見てください。このガイドでは英語専用として扱います。韓国語にはNemotronやWhisper系など、韓国語を明記したモデルを比較できます。モデルカード

韓国語や日本語の音声を文字起こしするなら、このモデルを選ばないでください。英語の音声認識を対象としたモデルなので、他の言語はその言語を明記した音声認識モデルと比較してください。