Granite Speech 5.0: По-точно и по-бързо транскрибиране, превод и атрибуция

Радваме се да споделим три актуализации в колекцията Granite Speech на IBM: нов езиков модел за реч, granite-speech-5.0-2b, и обновени версии на два модела, които общността вече използва — granite-speech-5.0-470m-turboctc и granite-speech-4.1-2b-plus. Заедно те обхващат целия спектър от корпоративни задачи, свързани с реч: транскрибиране и превод с висока точност, изключително бързо транскрибиране на периферни устройства и записи, при които е също толкова важно кой и кога е говорил, колкото и какво е казал.

Granite Speech 5.0 2B: по-точен, по-устойчив, с повече контрол

granite-speech-5.0-2b е наследникът на granite-speech-4.1-2b със същия брой параметри. Той транскрибира английски, френски, немски, испански, португалски и японски и превежда от и към английски на тези езици, както и от английски на италиански и мандарин. Моделът е обучен с 390 000 часа публични аудиозаписи, както и със синтетични данни, създадени за ASR на японски, приоритизиране на ключови думи и превод.

Какво е новото в сравнение с 4.1 2B Speech:

• По-точен и по-устойчив ASR за английски: По-висока точност при кратки тестове за английски и по-добра работа при шум, реверберация и реч от далечен микрофон.
• Подсказване за идентификация на езика: Посочете входния език в подсказката, за да насочите многоезичното транскрибиране.
• По-добър превод на дълги и разговорни текстове: Преводът запазва качеството си по-дълго и при по-естествена реч, а не само при кратки изречения за прочит.
• Списъци с до 2000 ключови думи: Насочвайте транскрибирането и превода към имена на продукти, хора и акроними на всеки поддържан език.
• Пунктуация и главни букви при поискване: Поискайте форматиран изход в подсказката; F1 показателят за главните букви варира от 89,7 до 99,5 в различните ни тестови набори.

Моделът се предоставя под лиценз Apache 2.0 с поддръжка в Transformers, vLLM, llama.cpp и mlx-audio за Apple Silicon.

Графика 1: granite-speech-5.0-2b е на второ място сред водещите ASR модели с отворени тегла по среден английски WER (5,06%). По-ниската стойност е по-добра. Резултатите са неофициални, към 15 октомври 2026 г., и са усреднени от публичните тестови набори за кратки английски текстове на Open ASR Leaderboard.

Granite Speech 5.0 Turbo CTC: вече многоезичен, по-устойчив и още по-бърз

Когато представихме Turbo CTC през август, той беше 470M-параметърен енкодер само за английски, създаден за скорост. Тази версия запазва същия размер и добавя трите неща, за които потребителите най-често настояваха:

• Многоезично транскрибиране: Английски, японски, испански, немски, френски, италиански и португалски.
• Вградени пунктуация и главни букви: Транскрипциите са готови за четене, без отделна стъпка за добавяне на пунктуация или коригиране на главните букви.
• По-голяма устойчивост при сложна акустика: Обучението, насочено изрично към ревербериращо аудио, прави Turbo CTC по-устойчив в помещения с ехо и при записи от далечно поле.

Той е и по-бърз. Чрез компилиране на един Conformer блок и повторно използване на графа му в целия стек намалихме времето за загряване и увеличихме скоростта на Turbo CTC до 19 870 RTFx в Open ASR Leaderboard спрямо приблизително 12 600 RTFx при пускането: около 1,6 пъти по-бърз при същото ниво на точност.

Графика 2: Среден WER спрямо RTFx в Open ASR Leaderboard (кратки английски текстове, 9 публични тестови набора, към октомври 2026 г.). По-ниският WER и по-високият RTFx са по-добри; RTFx е по логаритмична скала.

Granite Speech 4.1 2B Plus: по-добър в разпознаването кой какво и кога е казал

Обновеният granite-speech-4.1-2b-plus е настроен за записите, с които предприятията действително разполагат: срещи, разговори с отдели за поддръжка и интервюта с множество говорители, които продължават дълго. Той запазва името 4.1, тъй като архитектурата, форматът на подсказките и API са непроменени, така че представлява директен заместител на текущия модел с подобрени тегла. Тази версия подобрява четири области:

• Разпознаване на говорителите: По-точно обозначаване на това кой говори. Процентът на грешките при диаризация на думи (WDER) намалява със 7%, а WER на транскрипциите с посочен говорител (cpWER) намалява общо със 7%.
• Времеви маркери: Средното отместване на времевия маркер (AAS) е намалено повече от наполовина, което осигурява по-точно синхронизиране на надписи, търсене и преглед.
• Работа с дълги речеви записи: WER в тестовите набори с дълги записи намалява с 24%.
• Приоритизиране на ключови думи: Грешките при приоритизираните ключови думи намаляват с 45% при списъци от 20 ключови думи.

Таблица 1: Всички показатели представляват проценти на грешките, така че по-ниската стойност е по-добра. За по-подробни резултати вижте картата на модела.

Първи стъпки

Не сте сигурни кой модел да изберете? Започнете оттук:

• Нуждаете се от висока точност на транскрибирането, превод или приоритизиране на ключови думи? Използвайте granite-speech-5.0-2b.
• Нуждаете се от максимална скорост или транскрибиране на устройството? Използвайте granite-speech-5.0-470m-turboctc и го изпробвайте в браузъра с нашата демонстрация за поточно предаване с WebGPU.
• Работите със срещи или разговори с множество говорители? Използвайте granite-speech-4.1-2b-plus.

Всички тези модели са публикувани под лиценз Apache 2.0 с вградена поддръжка в Transformers. Пълните резултати от оценяването, подробностите за архитектурата, данните за обучение и примерите за използване са налични в картата на всеки модел. Препоръчваме да ги комбинирате с Granite Guardian за производствени внедрявания, които изискват допълнително откриване на рискове.

Изпробвайте ги и ни кажете какво мислите!

Модели, споменати в тази статия 3

Колекции, споменати в тази статия 1

Още от този автор

Granite Switch 4.1: чат, решения и реч от една крайна точка

• 

69

15 октомври 2026 г.

Granite 4.2 LLM: как са изградени

• 

129

25 август 2026 г.