Granite Switch 4.1が公開。チャット、判断、音声認識を 1 エンドポイントで動かす。
この記事のポイント
- チャット判断音声の統合モデル
- 制御トークンでアダプタを切替
- 英語限定で非自己回帰、句読点なし
数字で見る
この記事に出てくる数字
| パラメータ数 | 30B |
|---|---|
| ASRパラメータ | 470M |
| 評価行数 | 1,068 |
どこで使えるか
チャット判断音声の統合エンドポイントで、アダプタ切替で用途を変える人向け Hugging Faceで公開済み 英語のみ、句読点なし出力、ライセンスはapache-2.0
スポンサーリンク
解説
かみくだいて説明します
ibm-graniteが 2026-10-15に、granite-switch-4.1-30bを公開しました。1つのエンドポイントでチャット、判断、音声文字起こしが切り替わるモジュール型モデルです。
1つで 3つの仕事がこなせるんですか? 切り替える仕組みをもう少し噛み砕いて説明してもらえますか?
チャットテンプレートに制御トークンというスイッチを仕込むだけです。仕組みは洋服の着せ替えに似ています。ベースとなるモデルは同じで、必要な場面だけアダプターという機能モジュールを引っ掛けるだけで、チャットも判断も音声文字起こしも切り替わります。
なるほど、着せ替えのように使い分けるんですね! 音声の部分ですが、対応言語は英語だけなんですか?
はい。現時点では英語のみで、出力は小文字と句読点なしです。また、音声エンコーダーと言語モデルはまだ共同学習されておらず、両方を結ぶ射影層が未整備です。
OpenASRリーダーボードで最速とありますが、開発者が組み込む際にサーバーは別に必要なんですか?
音声モデルは 470Mパラメータです。チャットや判断と同じエンドポイントで動くため、別途音声サーバーを構築する必要はありません。ただし、英語限定と出力が小文字・句読点なしという制限は当面変わりません。
なるほど、サーバーを別に用意しなくていいんですね! 判断の精度はどう測ったんですか?
判断の評価は Decision Indexの fastサブセット、およそ 1,068行で edition-v0.3スコアリングを使い、固定レシピで測りました。ローカル配信とホスト型 vLLMエンドポイントの差はおよそ 0.6ポイント以内で、配信経路が忠実であることを確認しています。
では、音声の制限が気になる開発者も多いと思いますが、音声なしのバージョンも出ているんですか?
はい。音声なしのgranite-switch-4.1-30b-preview、-8b-preview、-3b-previewが用意されています。これらは音声コンポーネントを除いた構成です。8bベースのgranite-switch-4.1-8bも同日に公開しています。
なるほど、用途に合わせてサイズを選べるんですね! 最後に、共同学習の進捗や日本語対応の見通しはありますか?
共同学習はまだ行われておらず、連携する変換の仕組みはまだ無く、今は英語のみ対応です。
出典
この記事のもとになった情報
- Hugging Face:ibm-granite/granite-switch-4.1-30b
- 公開日:2026-10-15
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。