Granite Speech 5.0: три open-модели под транскрипцию, скорость и «кто сказал»

IBM выложила линейку Granite Speech 5 тремя чекпоинтами: точный мультиязычный ASR с переводом, быстрый распознаватель на краю и модель для длинных записей с несколькими спикерами. Все веса — Apache 2.0, заводятся через Transformers, vLLM, llama.cpp и mlx-audio на Apple Silicon, без привязки к облачному speech API.

Три модели

• granite-speech-5.0-2b — преемник 4.1 на тех же 2B параметров: шесть языков транскрипции, перевод в/из английского плюс EN→итальянский и мандаринский. Обучение на 390 000 часах аудио; в промпте — язык входа, списки до 2 000 терминов для biasing, пунктуация по запросу. Средний WER 5,06% на английских short-form бенчмарках Open ASR Leaderboard — второе место среди open-моделей (на 15 октября 2026).
• granite-speech-5.0-470m-turboctc — тот же 470M-энкодер, теперь семь языков, встроенная пунктуация и устойчивость к ревербу. После компиляции одного Conformer-блока скорость выросла с ~12 600 до 19 870 RTFx при той же точности — примерно в 1,6 раза быстрее; есть streaming-демо в браузере на WebGPU.
• granite-speech-4.1-2b-plus — drop-in замена с тем же API для митингов и колл-центров: WDER и cpWER −7%, WER на long-form −24%; сдвиг таймкодов (AAS) с 210,86 до 98,54 мс на всей речи.

Точность, перевод и свои термины в промпте — 5.0-2b; максимальный throughput и запуск у себя — Turbo CTC; «кто сказал» и таймкоды на длинных звонках — 4.1-2b-plus. В материале для продакшена советуют связку с Granite Guardian на детект рисков.

Источник: Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster.