「hibiki-2b-GGUF」リアルタイム音声翻訳モデル:必要VRAM 4GB〜・配布ファイル一覧

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ggml-org/hibiki-2b-GGUF |
| 公開日 | 2026-11-22 |
| ライセンス | cc-by-4.0 |
| 配布形式 | GGUF |
| 出典の種類 | 公開元の一次情報(ggml-org公式HFリポジトリで裏付け確認) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ggml-orgは、Kyutaiが開発したリアルタイム音声翻訳モデルのGGUFフォーマット変換版「ggml-org/hibiki-2b-GGUF」を公開しました。
本モデルは、フランス語の音声を入力として受け取り、リアルタイムで英語の音声およびテキストを出力する音声対音声(audio-to-audio)および音声対テキストのストリーミング翻訳モデルです。従来のオフライン翻訳のように発話の終了を待つ必要がなく、入力を連続的に処理しながらターゲット言語の音声を生成します。
本GGUF版は、llama-server のリアルタイムエンドポイント向けにフルデュプレックス(全双方向)動作専用として提供されており、80ミリ秒ごとに音声の入力と出力を行う処理に対応しています。なお、本モデルは llama-server の自動変換ツールを用いて変換されたモデルとなっています。
スペック
本モデルおよびベースモデルである「kyutai/hibiki-2b-pytorch-bf16」に関する主なスペックは以下の通りです。
- パラメータ数: 2.7B(ベースモデルの情報による)
- アーキテクチャ: デコーダーオンリーの階層型Transformer(hierarchical Transformer)。Moshiのマルチストリームアーキテクチャを活用し、入力ストリームと出力ストリームを結合して処理
- 対応言語: フランス語から英語への翻訳(French-to-English)
- 出力仕様: 12.5Hzのフレームレートでテキストおよび音声のトークンを生成。生成音声のビットレートは2.2kbps
- 対応入力長: 最長120秒のシーケンスに対応
- サンプリング方式: シンプルな温度サンプリング(temperature sampling)を採用
- 音声コーデック: Mimiコーデック(12Hz、ビットレート1.1kbpsのセマンティック・アコースティック音響トークン)を使用
- 制御パラメータ: Classifier-Free Guidance(CFG)の係数調整に対応(係数を高くすると元話者の声の類似度が高まり、過剰に高くすると翻訳品質が低下する傾向あり)
- ライセンスの条件: CC-BY-4.0(ベースモデル表記ではCC-BY)。利用の際は適切なクレジット表記が必要となります
性能・品質
元モデル「kyutai/hibiki-2b-pytorch-bf16」のモデルカードにおいて公表されている品質や機能的特徴についての評価は以下の通りです。なお、公開資料内に具体的なベンチマークスコアの数値比較表は含まれていません。
ベースモデルの開発元であるKyutaiの解説によると、Hibikiは発話が完了するのを待つ従来の翻訳モデルとは異なり、コンテキストを適切に蓄積しながらリアルタイムかつチャンク単位で正確な翻訳を行える点が特徴とされています。また、ノイズが含まれる音声環境に対しても高い堅牢性(robustness)を備えていると説明されています。
処理の面では、シンプルな温度サンプリングを採用しているため、複雑な推論ポリシーを必要とするモデルとは異なり、バッチ処理との親和性が高いとされています。生成の際には、音声出力だけでなくタイムスタンプ付きのテキスト翻訳も並行して連続的に出力されます。
さらに、ターゲット音声生成における話者声質の転送(voice transfer)の再現度について、Classifier-Free Guidance(CFG)の係数を変更することで調整が可能であると報告されています。CFGの係数を大きく設定することで、入力音声との声の類似性を高めることができますが、係数を大きくしすぎた場合には翻訳の正確さが損なわれる可能性があるとされています。
得意なこと・想定用途
元モデルである「kyutai/hibiki-2b-pytorch-bf16」の公開資料によると、本モデルはフランス語から英語へのリアルタイムなストリーミング音声翻訳(同時通訳)に特化して設計されています。発話の終了を待たずにコンテキストを逐次蓄積しながら翻訳を行うため、リアルタイムの会話や通訳アプリケーションへの組み込みに適しています。
具体的な活用場面や特徴的な機能は以下の通りです。
- リアルタイム音声翻訳およびテキスト生成: フランス語の音声入力を受け取り、英語のストリーミング音声とタイムスタンプ付きの翻訳テキストを同時に出力します。
- ノイズへの堅牢性: ノイズが含まれる環境下の音声に対しても安定して動作する堅牢性を備えています。
- 声質転送(Voice Transfer)機能: 入力音声の話者の声を反映させながら翻訳音声を生成できます。再現度の強さはCFG(Classifier-Free Guidance)係数で調整が可能です。
- 長尺音声のストリーミング処理: 最長120秒までの音声シーケンス入力に対応しています。
- バッチ処理への対応: 複雑な推論ポリシーではなくシンプルな温度サンプリングを使用しているため、多数の入力シーケンスをまとめて処理するバッチ処理にも適しています。
学習データの背景として、テキストデータにはWikipediaやStack Exchange、学術論文、Common Crawl(Heliumモデル由来)が使用されているほか、音声データには700万時間の英語および45万時間のフランス語の事前学習データ、約4万時間の合成翻訳データ、900時間のファインチューニング用データセットが活用されています。
コンポーネントの応用として、モデル内で利用されている「Mimi」コーデック(12Hz、1.1kbpsのセマンティックおよびアコースティック音響トークン)は、単体で音声言語モデルやText-to-Speech(TTS)システムの開発に活用することも可能です。
なお、本モデルが現在対応している言語ペアはフランス語から英語のみです。他の言語ペアへ適用させるにはファインチューニングが必要です。また、他者へのなりすましや悪意的利用は想定されていません。
動作環境
動作環境の目安(Local Model Watch 算出)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | Q8_0 | 2.2GB | 2.6GB |
| RTX 4060 / 3060 Ti など 8GB | BF16 | 4.0GB | 4.9GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は GGUF です。
ライセンス cc-by-4.0(商用利用可): 商用利用が可能ですが、クレジット表示が義務です(表示を欠くと違反になります)。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
配布ファイル
ggml-org/hibiki-2b-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
hibiki-2b-BF16.gguf |
4.35GB |
hibiki-2b-Q8_0.gguf |
2.31GB |
mmproj-hibiki-2b-BF16.gguf |
1.59GB |
入手方法
「ggml-org/hibiki-2b-GGUF」は、Hugging Faceの ggml-org/hibiki-2b-GGUF リポジトリにてGGUF形式で配布されています。配布にあたり利用規約への同意を求めるゲート(gated)は設定されていないため、誰でも直接アクセスして入手可能です。
利用にあたっては llama.cpp プロジェクトの llama-server を使用します。本GGUF版はフルデュプレックス(全双方向)動作専用に設計されており、80ミリ秒ごとの音声入力・出力を処理する llama-server のリアルタイムエンドポイントでのみ利用できます。llama-tts や /tts エンドポイントには対応していませんのでご注意ください。
以下のコマンドを実行することで、llama-server 経由でモデルを立ち上げることができます。
llama-server -hf ggml-org/hibiki-2b-GGUF -c 1500
サーバーの運用方法や設定の詳細については、llama.cppのフルデュプレックス仕様書およびHibikiに関する解説ドキュメントで確認できます。また、元モデルの公式コードやデモについては、KyutaiのHibikiリポジトリや論文が公開されています。
関連記事
- 「hibiki-1b-GGUF」音声対音声のリアルタイム音声翻訳モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「VoxCPM2-GGUF」30言語対応の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「Kokoro-82M-GGUF」軽量な音声合成モデル:配布ファイル一覧
- 「LFM3-1.7B-GGUF」テキスト生成モデル:当サイトでの回答例・必要VRAM 4GB〜
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- 入手できる形式と、表に出てくる Q8_0 の意味を知る → GGUF形式の解説と対応モデル / 量子化・モデル形式の用語集
- 同じ用途の他のモデルを探す → 音声のモデル一覧
出典
- https://huggingface.co/ggml-org/hibiki-2b-GGUF
- https://huggingface.co/kyutai/hibiki-2b-pytorch-bf16
- https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md#full-duplex
- https://github.com/ggml-org/llama.cpp/blob/master/docs/multimodal/tts.md#hibiki
- https://github.com/kyutai-labs/hibiki
- https://arxiv.org/abs/2502.03382

