IBM 发布 Granite Speech 5.0 系列三款语音模型
Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 与 granite-speech-4.1-2b-plus。
原文给出三款语音模型的能力分工与量化指标，读者可据此判断企业转写与翻译场景该选哪一款。
我们很高兴分享 IBM Granite Speech 系列的三个更新：一个新的语音语言模型 granite-speech-5.0-2b，以及社区已在使用的两个模型的修订版本 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。它们共同覆盖了企业语音工作的完整范围：高准确度的转录和翻译、边缘端极快的转录，以及说话人身份和说话时间与说话内容同样重要的录音。
| 模型 | 状态 | 新增内容 | 最适合 |
|---|---|---|---|
granite-speech-5.0-2b |
新增 | 更准确、对噪声和混响更稳健的自动语音识别（ASR）、语言 ID 提示、2,000 词关键词偏置、更好的长音频翻译 | 高准确度多语言转录和翻译 |
granite-speech-5.0-470m-turboctc |
更新 | 多语言、原生标点和大小写，并且对噪声和混响更稳健 | 高吞吐量和设备端转录 |
granite-speech-4.1-2b-plus |
更新 | 改进的说话人归属、时间戳、关键词偏置和长语音性能 | 会议、通话和其他多人录音 |
Granite Speech 5.0 2B：更准确、更稳健、更多控制
granite-speech-5.0-2b 是 granite-speech-4.1-2b 在相同参数规模下的后继版本。它可以转录英语、法语、德语、西班牙语、葡萄牙语和日语，并在这些语言与英语之间互译，另外还支持英语到意大利语和普通话的翻译。它基于 390,000 小时的公开音频训练，并使用了为日语 ASR、关键词偏置和翻译构建的合成数据。
与 4.1 2B Speech 相比的新增内容：
- 更准确、更稳健的英语 ASR： 在英语短音频基准上准确度更高，并且更好地处理噪声、混响和远场麦克风语音。
- 语言 ID 提示： 在提示中指定输入语言，以引导多语言转录。
- 更好的长音频和对话式翻译： 面对更自然的语音，翻译在更长时间内保持稳定，而不仅是简短的朗读句子。
- 最多 2,000 词的关键词列表： 在所有支持的语言中，将转录和翻译偏向产品名称、人名和缩写。
- 按需输出标点和大小写： 在提示中要求格式化输出；在我们的测试集上，大小写 F1 范围为 89.7 到 99.5。
该模型以 Apache 2.0 许可发布，并支持 Transformers、vLLM、llama.cpp 以及面向 Apple Silicon 的 mlx-audio。
图 1：granite-speech-5.0-2b 在平均英语 WER（5.06%）上位列顶级开放权重 ASR 模型第 2 名。数值越低越好。结果为非官方结果，截至 2026 年 10 月 15 日，并在 Open ASR Leaderboard 的公开英语短音频测试集上取平均。
Granite Speech 5.0 Turbo CTC：现已支持多语言、更稳健、速度更快
当我们在 8 月推出 Turbo CTC 时，它是一个仅支持英语、为速度而构建的 470M 参数编码器。本次修订保留了这一规模，并增加了用户最常要求的三项功能：
- 多语言转录： 英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
- 原生标点和大小写： 转录结果可直接阅读，无需单独的标点或大小写处理步骤。
- 在困难声学环境中更稳健： 明确针对混响音频的训练使 Turbo CTC 在有回声的房间和远场录音中更稳健。
它同时也更快。通过编译单个 Conformer 块并在整个堆栈中复用其计算图，我们缩短了预热时间，并将 Turbo CTC 在 Open ASR Leaderboard 上的 RTFx 提升至 19,870，而发布时约为 12,600 RTFx：在相同准确率水平下约快 1.6 倍。
图 2：Open ASR Leaderboard 上的平均 WER 与 RTFx 对比（英语短语音，9 个公开测试集，截至 2026 年 10 月）。WER 越低、RTFx 越高越好；RTFx 采用对数刻度。
Granite Speech 4.1 2B Plus：更准确地识别谁在说、何时说
更新后的 granite-speech-4.1-2b-plus 针对企业实际拥有的录音进行了调优：会议、客服通话以及多位说话人长时间进行的访谈。它保留 4.1 的名称，因为架构、提示格式和 API 均未改变，因此它是当前模型的直接替换版本，仅权重有所改进。本次修订改进了四个方面：
- 说话人归属：更准确地标注说话人身份。词级说话人分离错误率（WDER）下降 7%，说话人归属 WER（cpWER）整体下降 7%。
- 时间戳：平均时间戳偏移（AAS）缩短一半以上，使字幕、搜索和复核中的时间更精确。
- 长语音性能：长语音测试集上的 WER 下降 24%。
- 关键词偏置：使用 20 词关键词列表时，偏置关键词的错误率下降 45%。
| 能力 | 指标 | 上一版本 | 更新后模型 |
|---|---|---|---|
| 时间戳，所有语音 | AAS（平均时间戳偏移） | 210.86 | 98.54 |
| 时间戳，短语音 | AAS（平均时间戳偏移） | 29.27 | 26.20 |
| 关键词偏置 | 偏置词 WER，20 词列表 | 11.79 | 6.48 |
| 长语音 | WER，长语音测试集 | 13.53 | 10.22 |
| 说话人归属 | WDER | 4.40 | 4.10 |
| 说话人归属转录 | cpWER | 30.50 | 28.48 |
表 1：所有指标均为错误率，因此越低越好。更详细的结果请参阅模型卡。
开始使用
不确定该选哪个模型？从这里开始：
- 需要高转录准确率、翻译或关键词偏置？使用 granite-speech-5.0-2b。
- 需要原始速度或设备端转录？使用 granite-speech-5.0-470m-turboctc，并通过我们的 WebGPU 流式演示在浏览器中试用。
- 处理会议或多说话人通话？使用 granite-speech-4.1-2b-plus。
这些模型均以 Apache 2.0 许可证发布，并在 Transformers 中提供原生支持。完整的评估结果、架构细节、训练数据和使用示例见各模型卡。对于需要额外风险检测的生产部署，我们建议将它们与 Granite Guardian 搭配使用。
试用一下，并告诉我们你的想法！
来源：Hugging Face Blog · huggingface.co