Мы рады представить три обновления в коллекции речевых моделей IBM Granite: новую речевую модель granite-speech-5.0-2b и обновленные версии двух моделей, которые уже используются сообществом: granite-speech-5.0-470m-turboctc и granite-speech-4.1-2b-plus. Вместе они охватывают весь спектр корпоративных задач по работе с речью: высокоточное распознавание и перевод, сверхбыстрое распознавание речи на периферийных устройствах (edge), а также работу с записями, где важно не только то, что было сказано, но и кто и когда это произнес.
Granite Speech 5.0 2B: еще точнее, надежнее и гибче в управлении
granite-speech-5.0-2b является преемником granite-speech-4.1-2b с тем же количеством параметров. Модель распознает английский, французский, немецкий, испанский, португальский и японский языки, а также выполняет перевод с этих языков на английский и обратно, плюс перевод с английского на итальянский и мандаринский китайский. Она была обучена на 390 000 часах публичных аудиозаписей, а также на синтетических данных, созданных для японского автоматического распознавания речи (ASR), настройки под ключевые слова и перевода.
Что нового по сравнению с 4.1 2B Speech:
- Более точное и надежное распознавание английской речи: повышение точности на бенчмарках коротких англоязычных записей, а также лучшая обработка шумов, реверберации и речи с удаленных микрофонов.
- Промптинг с идентификацией языка: укажите входной язык в промте для управления многоязычным распознаванием.
- Улучшенный перевод длинных и разговорных текстов: качество перевода сохраняется на протяжении более длинных фрагментов с более естественной речью, а не только для коротких зачитанных предложений.
- Списки ключевых слов до 2000 терминов: ориентация распознавания и перевода на названия продуктов, имена людей и аббревиатуры на любом поддерживаемом языке.
- Пунктуация и регистр по запросу: запрашивайте форматированный вывод в промте; значение F1 для регистра составляет от 89,7 до 99,5 на наших тестовых наборах.
Модель выпускается под лицензией Apache 2.0 с поддержкой в Transformers, vLLM, llama.cpp и mlx-audio для Apple Silicon.
График 1: granite-speech-5.0-2b занимает 2-е место среди ведущих моделей ASR с открытыми весами по среднему значению WER (коэффициент ошибок в словах) для английского языка (5,06%). Чем ниже показатель, тем лучше. Результаты являются неофициальными по состоянию на 15 октября 2026 года и усреднены по публичным тестовым наборам коротких англоязычных записей из таблицы лидеров Open ASR Leaderboard.
Granite Speech 5.0 Turbo CTC: теперь многоязычная, еще более надежная и быстрая
Когда мы представили Turbo CTC в августе, это был англоязычный энкодер с 470 млн параметров, созданный для скорости. Данная ревизия сохраняет этот объем и добавляет три вещи, о которых пользователи просили больше всего:
- Многоязычное распознавание речи: английский, японский, испанский, немецкий, французский, итальянский и португальский.
- Встроенная пунктуация и регистр: расшифровки готовы к чтению, без необходимости выполнения отдельных этапов расстановки знаков препинания или приведения к нужному регистру.
- Повышенная надежность в сложных акустических условиях: обучение, целенаправленно учитывающее реверберацию звука, делает Turbo CTC более устойчивой в гулких помещениях и при записях с дальнего расстояния.
Модель стала еще быстрее. Скомпилировав один блок Conformer и повторно используя его граф во всей структуре, мы сократили время подготовки и повысили производительность Turbo CTC до 19 870 RTFx на платформе Open ASR Leaderboard по сравнению с примерно 12 600 RTFx на момент запуска — примерно в 1,6 раза быстрее при том же уровне точности.
График 2: Средний WER по сравнению с RTFx на таблице лидеров Open ASR Leaderboard (короткие английские аудиозаписи, 9 публичных тестовых наборов по состоянию на октябрь 2026 г.). Более низкий WER и более высокий RTFx являются лучшими показателями; RTFx представлен в логарифмической шкале.
Granite Speech 4.1 2B Plus: лучше определяет, кто и что сказал
Обновленная модель granite-speech-4.1-2b-plus настроена на реальные корпоративные записи: совещания, звонки в службу поддержки и длительные интервью с несколькими спикерами. Она сохраняет название 4.1, так как ее архитектура, формат промтов и API остались прежними, что делает ее прямой заменой текущей модели с улучшенными весами. Эта ревизия улучшает четыре направления:
- Атрибуция спикеров: более точная маркировка говорящих. Частота ошибок диаризации слов (WDER) снижается на 7%, а общий показатель WER с учетом спикеров (cpWER) снижается на 7%.
- Временные метки: среднее смещение временных меток (AAS) сокращено более чем вдвое, что обеспечивает более точную синхронизацию в субтитрах, поиске и анализе.
- Производительность на длинных аудиозаписях: показатель WER на тестовых наборах с длинными записями падает на 24%.
- Учет ключевых слов: количество ошибок при использовании ключевых слов сокращается на 45% при использовании списков из 20 терминов.
Таблица 1: Все метрики представляют собой показатели ошибок, поэтому чем ниже значение, тем лучше. Более подробные результаты смотрите в карточке модели.
Начало работы
Не знаете, какую модель выбрать? Начните отсюда:
- Требуется высокая точность распознавания речи, перевод или использование ключевых слов? Используйте granite-speech-5.0-2b.
- Нужна максимальная скорость или распознавание речи на устройстве? Используйте granite-speech-5.0-470m-turboctc и попробуйте ее в браузере с помощью нашей демо-версии WebGPU streaming.
- Работаете с совещаниями или звонками с несколькими участниками? Используйте granite-speech-4.1-2b-plus.
Все эти модели выпускаются под лицензией Apache 2.0 со встроенной поддержкой в Transformers. Полные результаты оценки, сведения об архитектуре, обучающие данные и примеры использования представлены в карточке каждой модели. Мы рекомендуем использовать их в паре с Granite Guardian для развертывания в производственной среде, требующего дополнительного обнаружения рисков.
Попробуйте их в деле и поделитесь с нами своими впечатлениями!
