我们很高兴分享 IBM Granite Speech 系列的三项更新：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全部范围：高精度的转录和翻译、边缘设备上极快速的转录，以及说话者是谁、何时说话与所说的内容同等重要的录音。
| 模型 | 状态 | 新特性 | 最适用于 |
|---|---|---|---|
granite-speech-5.0-2b |
新增 | 更准确、更抗噪声和混响的自动语音识别（ASR）、语言 ID 提示、2,000 词的关键词偏置、更好的长篇翻译 | 高精度多语言转录和翻译 |
granite-speech-5.0-470m-turboctc |
已更新 | 多语言、原生标点和大小写，对噪声和混响更鲁棒 | 高吞吐量和设备端转录 |
granite-speech-4.1-2b-plus |
已更新 | 改进的说话者归因、时间戳、关键词偏置和长语音性能 | 会议、通话和其他多说话人录音 |
Granite Speech 5.0 2B：更准确、更鲁棒、更可控
granite-speech-5.0-2b 是 granite-speech-4.1-2b 在相同参数量下的继任者。它能转录英语、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进行翻译，还支持从英语翻译到意大利语和中文普通话。它使用了 390,000 小时的公开音频进行训练，外加为日语 ASR、关键词偏置和翻译构建的合成数据。
与 4.1 2B Speech 相比的新特性：
- 更准确、更鲁棒的英语 ASR： 在英语短篇基准测试上准确率更高，对噪声、混响和远场麦克风语音的处理能力更好。
- 语言 ID 提示： 在提示中指定输入语言，以引导多语言转录。
- 更好的长篇和会话翻译： 翻译在更长、更自然的语音中依然保持质量，而不仅仅是短句朗读。
- 支持最多 2,000 个词条的关键词列表： 在所有受支持的语言中，将转写和翻译向产品名称、人名和缩略词倾斜。
- 按需提供标点和大小写： 在提示词中要求格式化输出；在我们的测试集上，大小写 F1 的范围从 89.7 到 99.5。
该模型以 Apache 2.0 许可发布，并在 Transformers、vLLM、llama.cpp 以及面向 Apple Silicon 的 mlx-audio 中提供支持。
图表 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。结果为官方结果，截至 2026 年 10 月 21 日，是对 Open ASR Leaderboard 公开英语短音频测试集的平均值。
Granite Speech 5.0 Turbo CTC：现已支持多语言、更加稳健、并且更快
当我们 于 8 月推出 Turbo CTC 时，它是一个仅支持英语、拥有 470M 参数、为速度而构建的编码器。此次版本更新保持了相同的模型规模，并添加了用户最希望拥有的三项功能：
- 多语言转写： 英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
- 原生标点与大小写： 转录结果可直接阅读，无需单独的标点或大小写还原步骤。
- 在困难声学环境下更稳健： 针对混响音频的专门训练使 Turbo CTC 在有回声的房间和远场录音中更加稳健。
它还更快。通过编译单个 Conformer 块并在整个堆栈中复用其计算图，我们将预热时间缩短，并把 Turbo CTC 在 Open ASR Leaderboard 上的成绩提升到 19,870 RTFx，相比发布时的大约 12,600 RTFx：约快 1.6 倍，同时保持相同的准确率水平。
图 2：Open ASR Leaderboard 上的平均 WER 与 RTFx 对比（英语短音频，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：更准确地识别谁在何时说了什么
更新后的 granite-speech-4.1-2b-plus 针对企业实际拥有的录音进行调优：包含多位发言人的漫长会议、支持电话和访谈。它保留了 4.1 的名称，因为架构、提示格式和 API 均未改变，因此可作为当前模型的直接替代品，仅权重有所改进。此版本改进了四个方面：
- 说话人归属： 更准确地标注谁在说话。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）缩短了一半以上，使字幕、搜索和审阅中的时间更精确。
- 长语音性能： 长音频测试集上的 WER 下降 24%。
- 关键词偏置： 使用 20 词关键词列表时，偏置关键词上的错误减少 45%。
| 能力 | 指标 | 上一版本 | 更新后的模型 |
|---|---|---|---|
| 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 |
| 长音频语音 | WER，长音频测试集 | 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，数值越低越好。有关更详细的结果，请参见 模型卡.
开始使用
不确定该选择哪个型号？从这里开始：
- 需要高转录准确度、翻译或关键词偏置吗？ 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，并在浏览器中配合我们的 WebGPU 流式传输演示.
- 需要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 中获得原生支持。完整的评估结果、架构细节、训练数据和用法示例可在每个模型卡片上查看。我们建议将它们与 Granite Guardian 搭配使用，以用于需要额外风险检测的生产部署。
试用一下吧，并告诉我们你的想法！