IBM ha lanzado Granite Speech 5.0 2B, un nuevo modelo de lenguaje y habla abierto para transcripción y traducción. Granite Speech 5.0 2B es un modelo de 2B parámetros de IBM que convierte el habla en texto en 6 idiomas. Está distribuido bajo Apache 2.0. IBM también actualizó 2 modelos existentes: el Turbo CTC enfocado en la frontera y el 4.1 2B Plus enfocado en la diarización. Para los desarrolladores, el lanzamiento incluye transcripción precisa, transcripción rápida en el dispositivo y transcripciones atribuidas al hablante.
TL;DR
- Tamaño: 2B parámetros, denso. El esqueleto del LLM utiliza la extensión YaRN hasta 16k posiciones. IBM recomienda segmentos de audio de hasta aproximadamente 2 minutos.
- Funciona en: GPU mediante Transformers o vLLM, Apple Silicon mediante mlx-audio, CPU/local en Mac mediante llama.cpp GGUF (se recomienda Q8_0).
- Rendimiento: #2 modelo de peso abierto en el tablero de líderes de Open ASR, 5.68% promedio de WER en inglés.
- Mejor: 0.99% WER en LibriSpeech Clean.
- Peor: 13.79% de WER en el conjunto de conversaciones privadas del leaderboard.
¿Cómo funciona Granite Speech 5.0 2B?
El modelo tiene 3 partes, según la tarjeta de modelo. Un codificador de voz de 16 bloques Conformer se entrena con CTC. Utiliza atención por bloque en bloques de audio de 4 segundos.
Un window q-former de 2 capas luego proyecta y descompone los embeddings acústicos. La descompresión total es de 10x, por lo que el LLM ve los embeddings a 10 Hz.
El LLM es un punto de control intermedio de granite-4.0-1b-base. IBM lo extendió a 16k posiciones con YaRN y lo refinó con adaptadores LoRA.
El entrenamiento utilizó 390,000 horas de audio público más datos sintéticos. Los conjuntos sintéticos se enfocan en el ASR japonés, el sesgo de palabras clave y la traducción. El entrenamiento duró 40 días con 8 H100 GPUs.
¿Qué es nuevo en comparación con Granite Speech 4.1 2B?
- ID del lenguaje que se indica: nombre el lenguaje de entrada en el prompt para guiar la transcripción.
- Listas de palabras clave de hasta 2,000 términos: se produce una distorsión en la salida hacia nombres de productos, personas y acrónimos.
- Comentarios y mayúsculas a petición: la mayúscula F1 se extiende desde 90.16 hasta 99.51 en los conjuntos de prueba.
- Resistencia: mejor manejo del ruido, la reverberación y los micrófonos lejanos.
¿Cómo se desempeña Granite Speech 5.0 2B en los benchmarks?
En el Tablero de clasificación Open ASR, el gráfico de IBM muestra un promedio de 5.68% en WER en inglés. Ese promedio incluye 9 conjuntos de pruebas públicos y 2 privados, a fecha del 21 de octubre de 2026. Solo Qwen3-ASR-1.7B obtiene una puntuación mejor, del 5.40%.
Tenga en cuenta un conflicto de fuentes. El blog de IBM reporta el 5.06%. Esa cifra es no oficial, del 15 de octubre, y representa solo los conjuntos públicos en formato corto.
Los resultados por conjunto varían ampliamente. El modelo obtiene un 0.99% en LibriSpeech Clean y un 2.21% en LibriSpeech Other. Obtiene un 13.79% en el conjunto de conversaciones privadas.
En el ruidoso tablero de clasificación FFASR, ocupa el #4 de 42 con un promedio de WER del 14.80%. Qwen3-ASR-1.7B obtiene un 13.41% en ese lugar.
WER de CommonVoice Multilingüe es del 2.60% para el portugués y del 3.50% para el español. El japonés es el idioma más débil, con un 10.74%.
Para la traducción, X-to-English CoVoST BLEU alcanza 53.6 en portugués y 40.1 en alemán. El inglés al mandarín no fue evaluado.
El ajuste de palabra clave muestra el mayor beneficio. En Earnings-22, la palabra clave F1 aumenta de 67.2 a 90.1 con listas de palabras clave correctas. Con listas de 2,000 términos que mezclan términos correctos y incorrectos, todavía alcanza 82.8.
¿Cómo se compara con otros modelos de ASR abiertos?
| Característica | Granite Speech 5.0 2B | Qwen3-ASR-1.7B | Cohere Transcribe 03-2026 | Canary-Qwen-2.5B |
|---|---|---|---|---|
| Tamaño | 2B | 2.35B (Cantidad de hubs) | 2.07B (cantidad de hubs) | 2.5B |
| Licencia | Apache 2.0 | Apache 2.0 | Apache 2.0 (gated) | CC-BY-4.0 |
| Lenguajes ASR | 6 | 30 + 22 dialectos chinos | 14 | Solo en inglés |
| Traducción de voz | Sí | No divulgado | No divulgado | No |
| Abrir ASR promedio WER (21 de octubre de 2026)* | 5.68% | 5.40% | 5.77% | 5.94% |
| FFASR promedio WER (18 de octubre de 2026)* | 14.80% | 13.41% | 15.03% | No divulgado |
| Clave de palabra clave ajuste | Hasta 2,000 términos | No divulgado | No divulgado | No divulgado |
| Audio largo | ~2 minutos segmentos | Soporta audios de larga duración | No divulgado | Máx. 40 segundos en el entrenamiento |
*Las medias en la clasificación, según se muestran en la tarjeta de modelo de IBM, proveniente de las clasificaciones Open ASR y FFASR.
¿Qué cambió en Turbo CTC y 4.1 2B Plus?
Granite Speech 5.0 Turbo CTC mantiene su huella de 470M. Ahora transcribe 7 idiomas con puntuación y mayúsculas nativas. IBM compiló un bloque Conformer y reutilizó su grafo en toda la pila. Eso aumentó el rendimiento a 19,870 RTFx, en comparación con unos 12,600 al lanzamiento.
La versión actualizada de Granite Speech 4.1 2B Plus es una actualización de peso sin cambios significativos. La variación promedio en el timestamp disminuye de 210.86 a 98.54. El WER en formato largo disminuye de 13.53 a 10.22. El WER para palabras con sesgo disminuye de 11.79 a 6.48.
¿Cómo pueden los desarrolladores implementarlo?
Granite Speech 5.0 2B funciona en Transformers, vLLM, llama.cpp y mlx-audio. Para GGUF, IBM recomienda Q8_0. Las cuantizaciones de bits más bajos pierden la precisión en el audio de duración superior a aproximadamente 1 minuto.
Conclusiones clave
- #2 modelo de peso abierto en el tablero de liderazgo de Open ASR con un WER del 5.68%.
- Parámetros 2B, Apache 2.0, se ejecuta en GPU, Mac y CPU local.
- 2,000 términos clave de ajuste en todos los idiomas soportados.
- Turbo CTC alcanza 19,870 RTFx y ahora cubre 7 idiomas.
- Qwen3-ASR-1.7B sigue liderando en precisión y audio ruidoso.
Echa un vistazo a la tarjeta de modelo, al blog de IBM y a la artículo sobre Granite Speech. Todo el crédito pertenece al investigador de este proyecto. También, no dudes en seguirnos en Twitter y, no olvides, unirte a nuestro subreddit de 150k+ ML y suscribirte a nuestro boletín informativo. ¡Espera! ¿Estás en Telegram? Ahora puedes unirte a nosotros en Telegram también.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub, página de Hugging Face, lanzamiento de producto o webinario, etc.? Conéctese con nosotros
El artículo IBM AI lanza Granite Speech 5.0 2B para transcripción y traducción multilingüe apareció primero en MarkTechPost.