В мире искусственного интеллекта, где скорость изменений измеряется не годами, а неделями, появление обновлений для ключевых моделей — это всегда событие. IBM, один из столпов корпоративного AI, недавно представила значительное обновление своей коллекции моделей для работы с речью: Granite Speech 5.0. Это не просто «точечный патч», а фундаментальная переработка архитектуры и обучающих данных, которая затрагивает три критически важных направления: точность транскрипции, скорость обработки на границе сети (edge) и анализ многоголосых записей.
Для российских компаний, которые активно внедряют AI для автоматизации колл-центров, анализа совещаний, субтитрования контента и перевода документации, эти обновления открывают новые горизонты. Мы говорим о моделях, которые теперь лучше понимают контекст, заметно быстрее работают и требуют меньше вычислительных ресурсов. В этой статье мы подробно разберем каждую из трех новых моделей, их технические особенности и практическую ценность для бизнеса.
01Обзор линейки: Три модели для разных задач
IBM не стала заменять все модели одной универсальной «супер-моделью». Вместо этого они создали экосистему, где каждая модель заточена под конкретный сценарий использования. Это позволяет оптимизировать затраты и производительность. Давайте посмотрим на три ключевых компонента обновления:
- granite-speech-5.0-2b: Новая флагманская модель для высокоточной многоязычной транскрипции и перевода. Идеальна, когда важна каждая буква и нюанс перевода.
- granite-speech-5.0-470m-turboctc: Обновленная версия «турбо»-модели. Она легче, быстрее и теперь поддерживает несколько языков. Это выбор для обработки в реальном времени и работы на устройствах с ограниченными ресурсами.
- granite-speech-4.1-2b-plus: Обновленная модель для анализа многоголосых записей. Она сохраняет совместимость с предыдущей версией, но значительно улучшает распознавание того, кто именно говорит и когда.
Все модели выпущены под лицензией Apache 2.0, что делает их доступными для коммерческого использования без ограничений, связанных с закрытым исходным кодом. Это важный фактор для российских разработчиков, стремящихся к суверенности и гибкости в выборе AI-стека.
02Granite Speech 5.0 2B: Точность, устойчивость к шуму и контроль
Модель granite-speech-5.0-2b является преемником версии 4.1 2B, сохраняя тот же объем параметров, но предлагая существенный прирост в качестве. Это решение для тех, кому нужна максимальная точность при транскрипции и переводе. Модель обучена на сотнях тысяч часов публичного аудио, а также на синтетических данных, специально созданных для улучшения распознавания японского языка, смещения ключевых слов и перевода.
Многоязычность и управление языком
Одной из самых сильных сторон новой модели является ее многоязычность. Она поддерживает транскрипцию и перевод на английском, французском, немецком, испанском, португальском и японском языках. Кроме того, она умеет переводить с английского на итальянский и китайский (мандарин). Но главное нововведение здесь — это Language ID prompting (запрос с идентификацией языка). Теперь вы можете явно указать в промпте язык входного аудио, что помогает модели лучше ориентироваться в многоязычных записях и снижать ошибки переключения.
Устойчивость к шуму и эху
В реальных условиях, особенно в корпоративной среде, аудио часто бывает «грязным»: фоновый шум, эхо в больших помещениях, плохое качество микрофонов. Новая модель демонстрирует значительно лучшую устойчивость к таким условиям. Это особенно важно для дистанционного распознавания речи (distant-microphone speech), когда говорящий находится не рядом с устройством.
Ключевые слова и пунктуация
IBM добавила поддержку списков ключевых слов до 2 000 терминов. Это позволяет «настроить» модель на специфическую терминологию вашей компании: названия продуктов, имена сотрудников, аббревиатуры. Ошибки при распознавании таких слов заметно снижаются при использовании списков ключевых слов. Кроме того, модель теперь может автоматически добавлять пунктуацию и заглавные буквы. В тестах F1-мера для заглавных букв варьировалась от 89.7% до 99.5%, что делает текст готовым к чтению без дополнительной постобработки.
Производительность
На открытых бенчмарках Open ASR Leaderboard для коротких английских фрагментов модель заняла второе место среди моделей с открытым весом, показав среднюю ошибку распознавания (WER) на уровне 5.06%. Это один из лучших результатов в своем классе.
03Granite Speech 5.0 Turbo CTC: Скорость без компромиссов
Модель granite-speech-5.0-470m-turboctc была представлена еще в августе 2026 года как английская модель с 470 миллионами параметров, заточенная под скорость. Обновление сохранило этот компактный размер, но добавило то, чего не хватало: многоязычность и улучшенную устойчивость к шуму.
Многоязычность и готовый текст
Теперь Turbo CTC поддерживает транскрипцию на английском, японском, испанском, немецком, французском, итальянском и португальском языках. Как и старшая модель, она выдает текст с правильной пунктуацией и заглавными буквами, избавляя от необходимости запускать отдельные шаги для «очистки» текста.
Оптимизация скорости
Главное достижение здесь — скорость. IBM удалось сократить время запуска (warmup time) и увеличить пропускную способность за счет компиляции одного блока Conformer и повторного использования его графа по всей стеке. Р
Источник: Hugging Face ↗