Granite Speech 5.0: точніша й швидша транскрипція, переклад та атрибуція

Ми раді поділитися трьома оновленнями колекції IBM Granite Speech: новою мовною моделлю granite-speech-5.0-2b, а також оновленими версіями двох моделей, якими спільнота вже користується, — granite-speech-5.0-470m-turboctc і granite-speech-4.1-2b-plus. Разом вони охоплюють увесь спектр корпоративних завдань, пов’язаних із мовленням: високоточну транскрипцію та переклад, надзвичайно швидку транскрипцію на периферійних пристроях, а також записи, де важливо не лише що було сказано, а й хто та коли це сказав.

Granite Speech 5.0 2B: вища точність, стійкість і більше контролю

granite-speech-5.0-2b — наступниця granite-speech-4.1-2b із такою самою кількістю параметрів. Вона транскрибує англійську, французьку, німецьку, іспанську, португальську та японську мови, а також перекладає з цих мов англійською та навпаки, додатково підтримуючи переклад з англійської італійською та китайською. Модель навчали на 390 000 годинах загальнодоступного аудіо, а також на синтетичних даних, створених для розпізнавання японського мовлення, зміщення ваги для ключових слів і перекладу.

Що нового порівняно з Speech 4.1 2B:

• Точніше та стійкіше розпізнавання англійського мовлення: Вища точність на англомовних тестах коротких аудіозаписів і краще опрацювання шуму, реверберації та мовлення з віддаленого мікрофона.
• Підказування ідентифікатора мови: Вкажіть мову вхідного аудіо в підказці, щоб спрямувати багатомовну транскрипцію.
• Покращений переклад довгих і розмовних аудіозаписів: Переклад довше зберігає якість і краще працює з природнішим мовленням, а не лише з короткими реченнями, начитаними за текстом.
• Списки ключових слів до 2 000 термінів: Спрямовуйте транскрипцію та переклад на назви продуктів, імена людей і акроніми всіма підтримуваними мовами.
• Пунктуація та капіталізація на запит: Попросіть у підказці відформатований результат; показник F1 для капіталізації становить від 89,7 до 99,5 на наших тестових наборах.

Модель випускається за ліцензією Apache 2.0 і підтримується в Transformers, vLLM, llama.cpp та mlx-audio для Apple Silicon.

Діаграма 1: granite-speech-5.0-2b посідає 2-ге місце серед провідних відкритих ASR-моделей за середнім показником WER для англійської мови (5,06%). Нижче — краще. Результати неофіційні, станом на 15 жовтня 2026 року, і усереднені за загальнодоступними англомовними тестовими наборами коротких аудіозаписів Open ASR Leaderboard.

Granite Speech 5.0 Turbo CTC: тепер багатомовна, стійкіша й іще швидша

Коли ми представили Turbo CTC у серпні, це був 470-мільйонний англомовний енкодер, створений для швидкості. Ця версія зберігає той самий обсяг і додає три функції, про які користувачі просили найчастіше:

• Багатомовна транскрипція: Англійська, японська, іспанська, німецька, французька, італійська та португальська.
• Вбудовані пунктуація та капіталізація: Транскрипти готові до читання без окремого етапу розстановки розділових знаків або відновлення регістру.
• Вища стійкість у складних акустичних умовах: Навчання, що безпосередньо враховує аудіо з реверберацією, робить Turbo CTC стійкішою у приміщеннях із відлунням і під час записів із дальнього поля.

Вона також стала швидшою. Скомпілювавши один блок Conformer і повторно використовуючи його граф у всьому стеку, ми скоротили час прогрівання та підвищили показник Turbo CTC до 19 870 RTFx на Open ASR Leaderboard — приблизно з 12 600 RTFx на момент запуску. Це приблизно в 1,6 раза швидше за того самого рівня точності.

Діаграма 2: середній WER проти RTFx на Open ASR Leaderboard (англійські короткі аудіозаписи, 9 загальнодоступних тестових наборів, станом на жовтень 2026 року). Нижчий WER і вищий RTFx є кращими; RTFx наведено в логарифмічному масштабі.

Granite Speech 4.1 2B Plus: краще визначає, хто що і коли сказав

Оновлену granite-speech-4.1-2b-plus налаштовано для типових корпоративних записів: тривалих зустрічей, дзвінків до служби підтримки та інтерв’ю з кількома мовцями. Вона зберігає назву 4.1, оскільки архітектура, формат підказок і API не змінилися, тож це безпосередня заміна поточної моделі з покращеними вагами. Ця версія покращує чотири сфери:

• Атрибуція мовців: Точніше визначає, хто говорить. Частка помилок діаризації слів (WDER) загалом зменшилася на 7%, а WER транскриптів із визначенням мовців (cpWER) — також на 7%.
• Часові мітки: Середнє зміщення часових міток (AAS) скорочено більш ніж удвічі, що забезпечує точніший час у субтитрах, пошуку та під час перевірки.
• Робота з довгими аудіозаписами: WER на тестових наборах довгих аудіозаписів зменшився на 24%.
• Зміщення ваги для ключових слів: Кількість помилок для ключових слів зі зміщеною вагою зменшується на 45% зі списками з 20 термінів.

Таблиця 1: усі метрики є показниками помилок, тому нижче — краще. Докладніші результати дивіться в картці моделі.

Початок роботи

Не знаєте, яку модель обрати? Почніть звідси:

• Потрібні висока точність транскрипції, переклад або зміщення ваги для ключових слів? Використовуйте granite-speech-5.0-2b.
• Потрібна максимальна швидкість або транскрипція на пристрої? Використовуйте granite-speech-5.0-470m-turboctc і випробуйте її в браузері за допомогою нашої демонстрації потокової обробки WebGPU.
• Працюєте із зустрічами або дзвінками з кількома мовцями? Використовуйте granite-speech-4.1-2b-plus.

Усі ці моделі випущено за ліцензією Apache 2.0 із вбудованою підтримкою Transformers. Повні результати оцінювання, відомості про архітектуру, навчальні дані та приклади використання наведено в картці кожної моделі. Для робочих розгортань, яким потрібне додаткове виявлення ризиків, ми рекомендуємо використовувати їх разом із Granite Guardian.

Спробуйте їх і розкажіть нам, що думаєте!

Моделі, згадані в цій статті 3

Колекції, згадані в цій статті 1

Інші матеріали цього автора

Granite Switch 4.1: чат, рішення та мовлення з однієї кінцевої точки

• 

69

15 жовтня 2026 року

Granite 4.2 LLM: як їх створено

• 

129

25 серпня 2026 року