IBM 发布 Granite Speech 5.0 系列语音模型更新

我们很高兴分享 IBM Granite Speech 系列的三个更新：一个新语音语言模型 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、在边缘设备上进行极速转录，以及谁在说话、何时说话与说了什么同样重要的录音。

模型	状态	新增内容	最适合用于
`granite-speech-5.0-2b`	新	更准确、对噪声和混响更稳健的自动语音识别（ASR）、语言 ID 提示、2,000 词关键词偏置、更好的长音频翻译	高精度多语言转录和翻译
`granite-speech-5.0-470m-turboctc`	更新	多语言、原生标点和大小写，对噪声和混响更稳健	高吞吐量和设备端转录
`granite-speech-4.1-2b-plus`	更新	改进的说话人归属、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、更稳健、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。它可以转录英语、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互译，另外还支持英语到意大利语和普通话的翻译。它在 390,000 小时的公开音频以及为日语 ASR、关键词偏置和翻译构建的合成数据上进行了训练。

与 4.1 2B Speech 相比的新增内容：

更准确、更稳健的英语 ASR： 在英语短音频基准上准确率更高，并且更好地处理噪声、混响和远场麦克风语音。
语言 ID 提示： 在提示中指定输入语言以引导多语言转录。
更好的长音频和对话翻译： 翻译在更长、更自然的语音上也能保持稳定，而不仅仅是简短的朗读句子。
最多 2,000 词的关键词列表： 在所有支持的语言中，将转录和翻译偏向产品名称、人名和缩略词。
按需标点和大小写： 在提示中要求格式化输出；在我们的测试集上，大小写 F1 范围为 89.7 到 99.5。

该模型以 Apache 2.0 许可发布，并支持 Transformers、vLLM、llama.cpp 以及适用于 Apple Silicon 的 mlx-audio。

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。越低越好。结果为非官方结果，截至 2026 年 10 月 15 日，并在 Open ASR Leaderboard 的公开英语短音频测试集上取平均值。

Granite Speech 5.0 Turbo CTC：现已支持多语言、更稳健、速度更快

当我们在 8 月推出 Turbo CTC 时，它是一个仅支持英语、为速度而构建的 470M 参数编码器。本次修订保留了这一规模，并增加了用户最希望得到的三项功能：

多语言转录： 英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
原生标点和大小写： 转录结果可直接阅读，无需单独的标点或大小写规范化步骤。
在困难声学环境中更稳健： 明确针对混响音频的训练使 Turbo CTC 在有回声的房间和远场录音中更加稳健。

它也更快。通过编译单个 Conformer 块并在整个堆栈中复用其计算图，我们缩短了预热时间，并将 Turbo CTC 在 Open ASR Leaderboard 上的成绩提升至 19,870 RTFx，高于发布时的大约 12,600 RTFx：在相同准确率水平下约快 1.6 倍。

图表 2：Open ASR Leaderboard 上的平均 WER 与 RTFx 对比（英语短格式，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：更擅长判断谁说了什么，以及何时说的

更新后的 granite-speech-4.1-2b-plus 针对企业实际拥有的录音进行了调优：会议、支持通话以及多位说话者长时间发言的访谈。它保留 4.1 名称是因为架构、提示格式和 API 均未改变，因此它是当前模型的直接替代品，并具有改进的权重。本次修订改进了四个方面：

说话人归属：更准确地标记谁在说话。词级说话人分离错误率（WDER）下降 7%，说话人归属 WER（cpWER）总体下降 7%。
时间戳：平均时间戳偏移（AAS）减少一半以上，使字幕、搜索和审阅中的时间更精确。
长语音性能：长格式测试集上的 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下降 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
长格式语音	WER，长格式测试集	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，因此越低越好。更详细的结果请参见模型卡。

开始使用

不确定该选择哪个模型？从这里开始：

需要高转录准确率、翻译或关键词偏置？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，并通过我们的 WebGPU 流式演示在浏览器中试用。
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 中提供原生支持。完整的评估结果、架构细节、训练数据和使用示例都在各模型卡上。对于需要额外风险检测的生产部署，我们建议将它们与 Granite Guardian 搭配使用。

试用一下，并告诉我们你的想法！