Три модели для разных задач
Команда IBM Granite представила три обновления своей коллекции моделей обработки речи. Обновления охватывают полный спектр корпоративных задач: от высокоточного перевода до сверхбыстрой транскрипции на edge-устройствах и анализа многопользовательских записей.
- granite-speech-5.0-2b (новая): фокус на точности, шумоустойчивости и переводе.
- granite-speech-5.0-470m-turboctc (обновленная): фокус на скорости и работе с шумом.
- granite-speech-4.1-2b-plus (обновленная): фокус на диаризации (кто говорит) и таймстампах.
granite-speech-5.0-2b: Точность и контроль
Новая флагманская модель с 2 миллиардами параметров обучена на 390 000 часов публичного аудио и синтетических данных. Она поддерживает транскрипцию и перевод на 6 языках (английский, французский, немецкий, испанский, португальский, японский) с возможностью перевода на итальянский и мандаринский.
Ключевые улучшения по сравнению с версией 4.1:
- Управление ключевыми словами: поддержка списков до 2 000 терминов для biasing транскрипции.
- Пунктуация и регистр: F1-мера капитализации достигает 99.5%.
- Языковая идентификация: возможность явно указывать язык ввода в промпте.
На момент публикации (15 октября 2026 г.) модель заняла 2-е место среди открытых моделей ASR по средней ошибке WER на английском языке, показав результат 5.06%.
Granite Speech 5.0 Turbo CTC: Скорость 19,870 RTFx
Модель объемом 470 млн параметров стала мультиязычной (добавлены испанский, немецкий, французский, итальянский, португальский, японский) и научилась самостоятельно ставить пунктуацию. Главное достижение — оптимизация вычислений: компиляция блока Conformer позволила увеличить скорость обработки до 19,870 RTFx (отношение скорости воспроизведения к скорости вычислений), что на 1.6x быстрее предыдущей версии при сохранении точности.
granite-speech-4.1-2b-plus: Прорыв в диаризации
Эта модель оптимизирована для длительных записей совещаний и звонков. Обновление привело к значительному снижению ошибок в определении спикеров и таймстампов. Ниже приведена сравнительная таблица метрик (чем ниже значение, тем лучше, так как это ошибки):
| Возможность | Метрика | Предыдущая версия | Обновленная модель |
|---|---|---|---|
| Таймстампы (весь спич) | AAS (сдвиг) | 210.86 | 98.54 |
| Таймстампы (короткий спич) | AAS (сдвиг) | 29.27 | 26.20 |
| Ключевые слова (20 терминов) | Biased-word WER | 11.79 | 6.48 |
| Длительный спич | WER | 13.53 | 10.22 |
| Идентификация спикера | WDER | 4.40 | 4.10 |
| Транскрипция с атрибуцией | cpWER | 30.50 | 28.48 |
Все модели доступны под лицензией Apache 2.0 и интегрируются через Transformers, vLLM, llama.cpp и mlx-audio.
Источник: Hugging Face blog ↗