IBM 更新 Granite Speech 系列：提升转写、翻译与说话人标注能力

OmniTools 10月21日消息，Hugging Face 博客 10 月 21 日消息，IBM 在 Hugging Face 博客公布 Granite Speech 语音模型集的三项更新，包括全新 speech-language 模型 granite-speech-5.0-2b，以及 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus 两个已发布模型的修订版本。

granite-speech-5.0-2b 与此前 4.1 2B 参数量相同，支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并在这些语言与英语之间互译，另支持英语译成意大利语和普通话。其训练数据为 39 万小时公开音频，另加入面向日语 ASR、关键词偏置和翻译的合成数据。该模型新增语种提示、最长 2000 个词的关键词偏置、按需输出标点与大小写等功能，官方称其大小写 F1 在测试集上为 89.7 至 99.5；在 Open ASR Leaderboard 英语短音频公开测试集上平均 WER 为 5.06%，在开源权重 ASR 模型中排名第二，该结果被标注为非官方、截至 2026 年 10 月 15 日。

470M 参数的 Turbo CTC 版本由英语单语扩展为英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语，并原生输出标点与大小写，同时针对混响音频加强训练。官方称其在 Open ASR Leaderboard 上的 RTFx 从发布时的约 12600 提升至 19870，约快 1.6 倍，准确率持平。面向会议、客服通话等多说话人场景的 granite-speech-4.1-2b-plus 则改进说话人归属与时间戳：WDER 与 cpWER 均下降 7%，平均时间戳偏移由 210.86 降至 98.54，长音频测试集 WER 下降 24%，20 词关键词列表的偏置词错误率由 11.79 降至 6.48。三款模型均采用 Apache 2.0 许可，并在 Transformers 中提供原生支持，5.0-2b 另支持 vLLM、llama.cpp 与 mlx-audio。