أصدرت IBM Granite Speech 5.0 2B، وهو نموذج لغوي-كلامي مفتوح جديد للنسخ والترجمة. Granite Speech 5.0 2B هو نموذج من IBM بعدد معلمات 2B يحوّل الكلام إلى نص في 6 لغات. يأتي تحت رخصة Apache 2.0. كما قامت IBM تم تحديث 2 من النماذج القائمة: Turbo CTC الموجه للأجهزة الطرفية و4.1 2B Plus الموجه لتمييز المتحدثين. وبالنسبة للمطورين، يغطي الإصدار النسخ الدقيق، والنسخ السريع على الجهاز، والنصوص المنسوبة إلى المتحدثين.
TL;DR
- الحجم: 2B من المعاملات، كثيف. العمود الفقري للنموذج اللغوي LLM يستخدم توسعة YaRN إلى 16k موضعاً. توصي IBM بمقاطع صوتية تصل مدتها إلى نحو 2 دقيقة.
- يعمل على: GPU عبر Transformers أو vLLM، وعلى Apple Silicon عبر mlx-audio، وعلى CPU/Mac محلياً عبر llama.cpp GGUF (ويُوصى بـ Q8_0).
- الأداء: النموذج #2 بين النماذج مفتوحة الأوزان على لوحة متصدرات Open ASR، بمتوسط WER للإنجليزية 5.68%.
- الأفضل: 0.99% WER على LibriSpeech Clean.
- الأسوأ: 13.79% WER على المجموعة المحادثاتية الخاصة في لوحة المتصدرات.
كيف يعمل Granite Speech 5.0 2B؟
يتكون النموذج من 3 أجزاء، وفق بطاقة النموذج. مُرمِّز كلام من 16 كتلة Conformer مدرَّب باستخدام CTC. ويستخدم انتباهاً كتلياً على كتل صوتية مدتها 4 ثوانٍ.
طبقة q-former ذات نافذة من 2 طبقة تقوم بعد ذلك بإسقاط التمثيلات الصوتية وتخفيض دقتها. إجمالي تخفيض الدقة هو 10x، بحيث يرى النموذج LLM التمثيلات بمعدل 10 هرتز.
النموذج LLM هو نقطة تفتيش وسيطة من granite-4.0-1b-base. مددته IBM إلى 16k موضعاً باستخدام YaRN وضبطته بدقة عبر محولات LoRA.
استخدم التدريب 390,000 ساعة من الصوت العام بالإضافة إلى بيانات اصطناعية. تستهدف المجموعات الاصطناعية التعرّف على الكلام الياباني، وتحيز الكلمات المفتاحية، والترجمة. استغرق التدريب 40 يوماً على 8 وحدات H100 GPU.
ما الجديد مقارنة بـ Granite Speech 4.1 2B؟
- التوجيه بتحديد اللغة (Language ID prompting): اذكر لغة المدخل في التوجيه لتوجيه النسخ.
- قوائم كلمات مفتاحية تصل إلى 2,000 مصطلح: الميل إلى إخراج أسماء المنتجات والأشخاص والمختصرات.
- علامات الترقيم وحالة الأحرف عند الطلب: حالة الأحرف F1 تتراوح من 90.16 إلى 99.51 عبر مجموعات الاختبار.
- المتانة: معالجة أفضل للضوضاء والارتداد الصوتي والميكروفونات البعيدة.
كيف يُperform نموذج Granite Speech 5.0 2B على المعايير المرجعية؟
على Open ASR Leaderboard، يُظهر مخطط IBM متوسط نسبة خطأ الكلمات (WER) بالإنجليزية قدره 5.68%. ويغطي هذا المتوسط 9 مجموعات اختبار عامة و2 من مجموعات الاختبار الخاصة، حتى 21 أكتوبر 2026. فقط Qwen3-ASR-1.7B الذي يحقق نتيجة أفضل هو بنسبة 5.40%.
لاحظ وجود تعارض في المصادر. مدونة IBM تذكر 5.06% بدلاً من ذلك. هذه الرقم غير رسمي، بتاريخ 15 أكتوبر، ويحسب متوسط مجموعات المقاطع القصيرة العامة فقط.
تتفاوت النتائج لكل مجموعة على نطاق واسع. يسجل النموذج 0.99% على LibriSpeech Clean و2.21% على LibriSpeech Other. ويسجل 13.79% على المجموعة الحوارية الخاصة.
على قائمة FFASR leaderboardالمزعجة، يحتل المرتبة #4 من 42 بمتوسط WER قدره 14.80%. بينما يسجل Qwen3-ASR-1.7B 13.41% هناك.
متوسط WER متعدد اللغات على CommonVoice هو 2.60% للبرتغالية و3.50% للإسبانية. اليابانية هي أضعف لغة بنسبة 10.74%.
بالنسبة للترجمة، يصل معامل BLEU في CoVoST من لغة إلى الإنجليزية إلى 53.6 للبرتغالية و40.1 للألمانية. لم يتم تقييم الترجمة من الإنجليزية إلى الماندرين.
يُظهر تحيّز الكلمات المفتاحية التحسن الأوضح. على Earnings-22، يرتفع F1 للكلمات المفتاحية من 67.2 إلى 90.1 مع قوائم كلمات مفتاحية صحيحة. ومع قوائم مكونة من 2,000 مصطلح تخلط بين مصطلحات صحيحة وخاطئة، يصل مع ذلك إلى 82.8.
كيف يمكن مقارنته بنماذج ASR مفتوحة المصدر الأخرى؟
| الميزة | Granite Speech 5.0 2B | Qwen3-ASR-1.7B | Cohere Transcribe 03-2026 | Canary-Qwen-2.5B |
|---|---|---|---|---|
| الحجم | 2B | 2.35B (عدد HUB) | 2.07B (عدد HUB) | 2.5B |
| الترخيص | Apache 2.0 | Apache 2.0 | Apache 2.0 (مقيّد) | CC-BY-4.0 |
| لغات التعرف على الكلام (ASR) | 6 | 30 لغة + 22 لهجة صينية | 14 | الإنجليزية فقط |
| ترجمة الكلام | نعم | غير مُفصح عنه | غير مُفصح عنه | لا |
| متوسط معدل خطأ الكلمات (WER) في Open ASR (21 أكتوبر 2026)* | 5.68% | 5.40% | 5.77% | 5.94% |
| متوسط معدل خطأ الكلمات (WER) في FFASR (18 أكتوبر 2026)* | 14.80% | 13.41% | 15.03% | غير مُفصح عنه |
| التحيّز بالكلمات المفتاحية | حتى 2,000 مصطلح | غير مُفصح عنه | غير مُفصح عنه | غير مُفصح عنه |
| الصوت الطويل | مقاطع بحوالي 2 دقيقة | الصوت الطويل مدعوم | غير مُفصح عنه | 40 ثانية كحد أقصى في التدريب |
*متوسطات لوحة المتصدرين كما هي معروضة في الرسوم البيانية الخاصة بـ IBM في بطاقة النموذج من لوحات متصدري Open ASR وFFASR.
ما الذي تغيّر في Turbo CTC و4.1 2B Plus؟
يحافظ Granite Speech 5.0 Turbo CTC على حجمه البالغ 470M. وهو الآن ينقل 7 لغات مع علامات ترقيم وحروف كبيرة أصلية. قامت IBM بتجميع كتلة Conformer واحدة وأعادت استخدام مخططها عبر الحزمة بأكملها. وقد رفع ذلك الإنتاجية إلى 19,870 RTFx، مقارنة بنحو 12,600 عند الإطلاق.
إن الإصدار المحدَّث Granite Speech 4.1 2B Plus هو تحديث أوزان جاهز للاستبدال المباشر. ينخفض متوسط إزاحة الطوابع الزمنية من 210.86 إلى 98.54. وينخفض معدل أخطاء الكلمات للنصوص الطويلة من 13.53 إلى 10.22. وينخفض معدل أخطاء الكلمات للكلمات المفتاحية المتحيزة من 11.79 إلى 6.48.
كيف يمكن للمطورين نشره؟
يعمل Granite Speech 5.0 2B في TransformersوvLLM وllama.cpp وmlx-audio. بالنسبة لصيغة GGUF، توصي IBM بـ Q8_0. أما التكميم ذات البتات الأدنى فيفقد الدقة على المقاطع الصوتية الأطول من حوالي 1 دقيقة.
أبرز النقاط
- النموذج رقم 2 ذو الأوزان المفتوحة على لوحة متصدرين Open ASR بمعدل أخطاء كلمات يبلغ 5.68%.
- 2B من المعاملات، وترخيص Apache 2.0، ويعمل على GPU وMac وCPU محلي.
- تحيّز الكلمات المفتاحية بـ 2,000 مصطلح عبر جميع اللغات المدعومة.
- يصل Turbo CTC إلى 19,870 RTFx ويغطي الآن 7 لغات.
- لا يزال Qwen3-ASR-1.7B يتصدّر في الدقة والصوت الضجيجي.
اطلع على بطاقة النموذج, ومدونة IBM و ورقة Granite Speech. كل الفضل يعود إلى الباحث في هذا المشروع. كما يمكنكم متابعتنا على تويتر ولا تنسوا الانضمام إلى مجتمعنا الفرعي ML الذي يضم أكثر من 150k عضو والاشتراك في نشرتنا البريدية. مهلاً! هل أنتم على تلغرام؟ الآن يمكنك أيضًا الانضمام إلينا على تيليجرام.
هل تحتاج إلى الشراكة معنا للترويج لمستودع GitHub الخاص بك أو صفحة Hugging Face أو إطلاق منتجك أو ندوة عبر الإنترنت وغيرها؟ تواصل معنا
ظهر المنشور IBM AI تطلق Granite Speech 5.0 2B للنسخ والترجمة متعددة اللغات أول مرة على MarkTechPost.