IBM выпустила Granite Speech 5.0 2B: нейросеть для расшифровки речи с лицензией Apache 2.0

IBM опубликовала в блоге на Hugging Face три обновления семейства Granite Speech: новую речево-языковую модель granite-speech-5.0-2b и пересмотренные версии двух уже используемых моделей, granite-speech-5.0-470m-turboctc и granite-speech-4.1-2b-plus. По словам IBM, вместе они покрывают основные корпоративные задачи: точную расшифровку и перевод, очень быструю расшифровку на устройстве и записи, где важно, кто и когда говорил. Все модели выпущены под лицензией Apache 2.0 с нативной поддержкой в Transformers.

Granite Speech 5.0 2B, преемник granite-speech-4.1-2b с тем же числом параметров. Модель расшифровывает речь на английском, французском, немецком, испанском, португальском и японском, переводит на английский и с английского на этих языках, а также с английского на итальянский и китайский (мандаринский). Обучена на 390 000 часов публичного аудио плюс синтетические данные для японского распознавания речи, подстройки под ключевые слова и перевода. Что нового по сравнению с 4.1 2B: более точное и устойчивое распознавание английского (выше точность на коротких бенчмарках, лучше работа с шумом, реверберацией и удалённым микрофоном); подсказка языка в промпте для управления многоязычной расшифровкой; более качественный перевод длинной и разговорной речи; списки ключевых слов до 2 000 терминов (названия продуктов, имена, аббревиатуры) для всех поддерживаемых языков; пунктуация и заглавные буквы по запросу в промпте (F1 по заглавным буквам, от 89,7 до 99,5 на тестовых наборах IBM). Поддерживаются Transformers, vLLM, llama.cpp и mlx-audio для Apple Silicon. По данным IBM на 21 октября 2026 года, модель занимает 2-е место среди ведущих открытых ASR-моделей по средней WER на английском, 5,06% (меньше, лучше), усреднено по публичным коротким англоязычным тестовым наборам Open ASR Leaderboard.

Granite Speech 5.0 Turbo CTC, энкодер на 470 млн параметров, представленный в августе как англоязычный и рассчитанный на скорость. Ревизия сохраняет размер и добавляет три вещи: многоязычную расшифровку (английский, японский, испанский, немецкий, французский, итальянский, португальский), встроенные пунктуацию и заглавные буквы без отдельного этапа и устойчивость в сложной акустике (обучение с упором на реверберацию, гулкие комнаты и дальний микрофон). Кроме того, модель ускорилась: за счёт компиляции одного блока Conformer и повторного использования его графа по всему стеку сократилось время прогрева, а скорость на Open ASR Leaderboard выросла примерно с 12 600 до 19 870 RTFx, около 1,6 раза при том же уровне точности.

Granite Speech 4.1 2B Plus настроена на записи, которые чаще всего бывают у компаний: совещания, звонки в поддержку, интервью с несколькими участниками и большой длительности. Название 4.1 сохранено, потому что архитектура, формат промпта и API не изменились, это замена прежней модели с улучшенными весами. Улучшения: ошибка определения говорящего по словам (WDER) снизилась на 7%, а WER с учётом говорящих (cpWER), на 7% в целом; средний сдвиг временных меток (AAS) сокращён более чем вдвое; WER на длинных записях снизилась на 24%; число ошибок на ключевых словах упало на 45% при списке из 20 терминов.

Выбор модели IBM предлагает такой: для высокой точности, перевода и подстройки под ключевые слова, granite-speech-5.0-2b; для скорости и работы на устройстве, granite-speech-5.0-470m-turboctc (есть демо в браузере на WebGPU со стримингом); для совещаний и звонков с несколькими говорящими, granite-speech-4.1-2b-plus. Для промышленного использования, где нужна дополнительная проверка рисков, IBM рекомендует сочетать модели с Granite Guardian.

Ключевые факты

granite-speech-5.0-2b, преемник 4.1-2b с тем же числом параметров: шесть языков расшифровки, перевод с английского и на английский, обучение на 390 000 часов публичного аудио плюс синтетика.
По данным IBM на 21.10.2026, модель на 2-м месте среди ведущих открытых ASR-моделей на Open ASR Leaderboard: средняя WER на английском 5,06%.
Списки ключевых слов до 2 000 терминов, подсказка языка в промпте, пунктуация и заглавные буквы по запросу (F1 по заглавным, 89,7-99,5 на тестах IBM).
Turbo CTC (470 млн параметров) стала многоязычной и выросла с ~12 600 до 19 870 RTFx, около 1,6 раза при той же точности.
granite-speech-4.1-2b-plus: WDER и cpWER ниже на 7%, сдвиг временных меток сокращён более чем вдвое, WER на длинных записях ниже на 24%, ошибки на ключевых словах ниже на 45% при 20 терминах. Все модели, Apache 2.0.

Почему это важно

Открытые модели распознавания речи с лицензией Apache 2.0 можно использовать в продуктах без ограничений проприетарных API. IBM заявляет 2-е место среди открытых ASR-моделей на Open ASR Leaderboard по средней WER на английском (5,06%), а Turbo CTC ускорилась примерно в 1,6 раза при том же уровне точности. Это обновление существующих линеек, а не новая архитектура: 5.0 2B, преемник 4.1 2B при том же числе параметров.

Кому это важно

Разработчикам, которым нужна расшифровка и перевод речи на нескольких языках, командам с большими потоками аудио (совещания, звонки в поддержку, интервью), а также тем, кому нужна расшифровка на устройстве или в браузере. Тем, кто подстраивает распознавание под названия продуктов, имена и аббревиатуры, пригодятся списки до 2 000 ключевых слов.

Как это применить

Модели лежат на Hugging Face под Apache 2.0 с нативной поддержкой в Transformers; granite-speech-5.0-2b также работает в vLLM, llama.cpp и mlx-audio для Apple Silicon. Выбор по задаче: точность, перевод и ключевые слова, granite-speech-5.0-2b; скорость и работа на устройстве, granite-speech-5.0-470m-turboctc (демо на WebGPU в браузере); многоголосые записи, granite-speech-4.1-2b-plus, которая заменяет прежнюю модель без изменений в коде, так как архитектура, формат промпта и API те же. Язык ввода можно указать в промпте, пунктуацию и заглавные буквы запросить там же.

Можно ли доверять

Источник, собственный блог IBM на Hugging Face, то есть заявления самой компании. Место в рейтинге и 5,06% WER относятся к состоянию на 21 октября 2026 года и к усреднению по коротким англоязычным тестам Open ASR Leaderboard. Проценты улучшений для granite-speech-4.1-2b-plus даны относительно без абсолютных значений; полные таблицы остались на карточках моделей и в диаграммах. Независимых проверок в материале нет.

Риски и подводные камни

Рейтинг и скорость измерены на английских коротких наборах; для остальных языков и длинных записей данные в тексте ограничены. Скорость в RTFx зависит от оборудования, которое в материале не описано. Метрика заглавных букв (F1 89,7-99,5) считалась на тестовых наборах IBM. Для промышленного применения IBM сама рекомендует дополнительную проверку рисков с помощью Granite Guardian.