يسعدنا أن نشارككم ثلاثة تحديثات على مجموعة Granite Speech من IBM: نموذج جديد للكلام واللغة، granite-speech-5.0-2b، وإصدارات منقّحة من نموذجين يستخدمهما المجتمع بالفعل، granite-speech-5.0-470m-turboctc و granite-speech-4.1-2b-plus. تغطي هذه النماذج مجتمعةً كامل نطاق مهام الكلام في المؤسسات: النسخ والترجمة بدقة عالية، والنسخ فائق السرعة على الأجهزة الطرفية، والتسجيلات التي يكون فيها من المتحدث ومتى تحدث بنفس أهمية ما قيل.
| النموذج | الحالة | ما الجديد | الأفضل لـ |
|---|---|---|---|
granite-speech-5.0-2b |
جديد | دقة أكبر في التعرف التلقائي على الكلام (ASR) مع متانة أمام الضوضاء والصدى، وتوجيه اللغة عبر المطالبة (language-ID prompting)، وتحيز الكلمات المفتاحية بـ 2,000 مصطلح، وترجمة أفضل للنصوص الطويلة | النسخ والترجمة متعدد اللغات بدقة عالية |
granite-speech-5.0-470m-turboctc |
محدّث | تعدد اللغات، وعلامات ترقيم وأحرف كبيرة أصلية، ومتانة أكبر أمام الضوضاء والصدى | النسخ عالي الإنتاجية وعلى الأجهزة |
granite-speech-4.1-2b-plus |
محدّث | تحسينات في نسبة المتحدثين، والأزمنة، وتحيز الكلمات المفتاحية، وأداء الكلام الطويل | الاجتماعات، والمكالمات، وغيرها من التسجيلات متعددة المتحدثين |
Granite Speech 5.0 2B: دقة أكبر ومتانة أعلى وتحكم أفضل
granite-speech-5.0-2b هو الخليفة المباشر لـ granite-speech-4.1-2b بعدد المعلمات نفسه. يقوم بنسخ الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية واليابانية، وترجمتها من وإلى الإنجليزية، بالإضافة إلى الترجمة من الإنجليزية إلى الإيطالية والماندرين. وقد دُرّب على 390,000 ساعة من الصوت العام، إضافة إلى بيانات اصطناعية أُعدت خصيصًا للتعرف على الكلام الياباني، وتحيز الكلمات المفتاحية، والترجمة.
ما الجديد مقارنةً بـ 4.1 2B Speech:
- تعرف على الكلام الإنجليزي أكثر دقة وأكثر متانة: دقة أعلى في معايير قياس النسخ الإنجليزي القصير، وتعامل أفضل مع الضوضاء والصدى وكلام المكثرات البعيدة.
- المطالبة بتحديد اللغة (Language ID prompting): اذكر لغة المُدخل في المطالبة لتوجيه النسخ متعدد اللغات.
- ترجمة أفضل للنصوص الطويلة والمحادثات: تحافظ الترجمة على جودتها لفترات أطول مع كلام أكثر طبيعية، وليس فقط الجمل القصيرة المقروءة.
- قوائم الكلمات المفتاحية حتى 2,000 مصطلح: تحيّز النسخ والترجمة نحو أسماء المنتجات والأشخاص والمختصرات، في جميع اللغات المدعومة.
- الترقيم وكتابة الحروف الكبيرة عند الطلب: اطلب مخرجات منسقة في موجّه الأوامر؛ تتراوح قيمة F1 لكتابة الحروف الكبيرة بين 89.7 و99.5 عبر مجموعات الاختبار لدينا.
يأتي النموذج بموجب ترخيص Apache 2.0 مع دعم في Transformers وvLLM وllama.cpp وmlx-audio لشرائح Apple Silicon.
المخطط 1: يحتل granite-speech-5.0-2b المرتبة #2 بين أفضل نماذج ASR مفتوحة الأوزان من حيث متوسط WER للإنجليزية (5.06%). الأقل أفضل. النتائج رسمية، بتاريخ 21 أكتوبر 2026، ومتوسطها محسوب على مجموعات الاختبار العامة للإنجليزية القصيرة في Open ASR Leaderboard.
Granite Speech 5.0 Turbo CTC: الآن متعدد اللغات، وأكثر متانة، وأسرع من أي وقت مضى
عندما قدّمنا Turbo CTC في أغسطس، كان مشفِّرًا بحجم 470M من المعلمات يعمل باللغة الإنجليزية فقط، ومبنيًا من أجل السرعة. تحتفظ هذه المراجعة بنفس الحجم وتضيف ثلاثة أشياء طلبها المستخدمون أكثر من غيرها:
- النسخ متعدد اللغات: الإنجليزية واليابانية والإسبانية والألمانية والفرنسية والإيطالية والبرتغالية.
- علامات الترقيم والأحرف الكبيرة الأصلية: تخرج النصوص المكتوبة جاهزة للقراءة، دون الحاجة إلى خطوة منفصلة لعلامات الترقيم أو تصحيح حالة الأحرف.
- أكثر متانة في الظروف الصوتية الصعبة: التدريب الذي يستهدف صراحةً الصوت ذي الصدى يجعل Turbo CTC أكثر متانة في الغرف ذات الصدى والتسجيلات البعيدة عن المصدر.
إنه أيضًا أسرع. عبر تجميع كتلة Conformer واحدة وإعادة استخدام مخططها عبر الحزمة بأكملها، قلّصنا وقت الإحماء ورفعنا Turbo CTC إلى 19,870 RTFx على Open ASR Leaderboard، مقارنة بنحو 12,600 RTFx عند الإطلاق: أي أسرع بنحو 1.6 مرة، وبالمستوى نفسه من الدقة.
الرسم البياني 2: متوسط WER مقابل RTFx على Open ASR Leaderboard (الإنجليزية قصيرة النسق، 9 مجموعات اختبار عامة، اعتبارًا من أكتوبر 2026). انخفاض WER وارتفاع RTFx أفضل؛ ويُعرض RTFx على مقياس لوغاريتمي.
Granite Speech 4.1 2B Plus: أفضل في تحديد المتحدث وما قاله ومتى
النسخة المحدَّثة granite-speech-4.1-2b-plus مضبوطة للتسجيلات التي تمتلكها المؤسسات فعلًا: الاجتماعات، ومكالمات الدعم، والمقابلات التي يشارك فيها عدة متحدثين وتستمر طويلًا. تحتفظ باسم 4.1 لأن البنية وصيغة المطالبة وواجهة البرمجة لم تتغير، لذا فهي بديل مباشر للنموذج الحالي بأوزان محسّنة. يحسّن هذا الإصدار أربعة مجالات:
- إسناد الكلام إلى المتحدثين: تصنيف أكثر دقة لمن يتحدث. ينخفض معدل خطأ تجزئة الكلام على مستوى الكلمة (WDER) بنسبة 7%، وينخفض WER المُسند إلى المتحدثين (cpWER) بنسبة 7% إجمالًا.
- الطوابع الزمنية: يُخفَّض متوسط انزياح الطابع الزمني (AAS) إلى أقل من النصف، ما يوفر توقيتًا أكثر دقة في التسميات التوضيحية والبحث والمراجعة.
- الأداء على الكلام الطويل: ينخفض WER على مجموعات الاختبار الطويلة بنسبة 24%.
- التحيز نحو الكلمات المفتاحية: تنخفض الأخطاء على الكلمات المفتاحية المستهدفة بنسبة 45% مع قوائم كلمات مفتاحية تضم 20 مصطلحًا.
| القدرة | المقياس | الإصدار السابق | النموذج المحدَّث |
|---|---|---|---|
| الطوابع الزمنية، كل الكلام | AAS (متوسط انزياح الطابع الزمني) | 210.86 | 98.54 |
| الطوابع الزمنية، الكلام القصير | AAS (متوسط انزياح الطابع الزمني) | 29.27 | 26.20 |
| التحيز نحو الكلمات المفتاحية | WER للكلمات المستهدفة، قوائم تضم 20 مصطلحًا | 11.79 | 6.48 |
| الكلام الطويل | WER، مجموعات الاختبار الطويلة | 13.53 | 10.22 |
| إسناد الكلام إلى المتحدثين | WDER | 4.40 | 4.10 |
| نصوص مُسندة إلى المتحدثين | cpWER | 30.50 | 28.48 |
الجدول 1: جميع المقاييس هي معدلات أخطاء، لذا فإن القيم الأقل أفضل. للحصول على نتائج أكثر تفصيلاً، راجع بطاقة النموذج.
ابدأ الاستخدام
لست متأكدًا أي نموذج تختار؟ ابدأ من هنا:
- تحتاج إلى دقة عالية في التفريغ النصي أو الترجمة أو توجيه الكلمات المفتاحية؟ استخدم granite-speech-5.0-2b.
- تحتاج إلى سرعة خام أو تفريغ نصي على الجهاز؟ استخدم granite-speech-5.0-470m-turboctcوجرّبه في المتصفح من خلال عرض البث التجريبي عبر WebGPU.
- تعمل مع الاجتماعات أو المكالمات متعددة المتحدثين؟ استخدم granite-speech-4.1-2b-plus.
تم إطلاق جميع هذه النماذج بموجب ترخيص Apache 2.0 مع دعم أصلي في Transformers. نتائج التقييم الكاملة وتفاصيل البنية وبيانات التدريب وأمثلة الاستخدام متوفرة على بطاقة كل نموذج. نوصي باستخدامها مع Granite Guardian لعمليات النشر في بيئة الإنتاج التي تحتاج إلى كشف إضافي للمخاطر.
جرّبها وأخبرنا برأيك!