Granite Speech 5.0：更准确快速转录、翻译与归属

IBM 近日更新了 Granite Speech 语音模型家族，一次放出三个版本：全新的 granite-speech-5.0-2b，以及两个社区已在使用的模型升级版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。三个模型分工明确，分别覆盖高精度多语种转写与翻译、边缘端极速转写、以及多人对话场景下的说话人识别，基本把企业级语音处理的主要需求都装了进去。 核心看点在新模型 granite-speech-5.0-2b。它沿用 4.1-2b 的 20 亿参数量级，支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并能在这些语言与英语之间互译，另外还支持英语转意大利语和普通话。训练数据为 39 万小时公开音频，外加针对日语识别、关键词偏置和翻译任务专门构造的合成数据。相比上一代，它在英语短音频基准上的准确率更高，对噪声、混响和远场麦克风的处理明显改善；新增的语言 ID 提示功能允许用户在提示词中指定输入语种，从而引导多语种转写；长音频和自然口语的翻译表现也更稳，不再只适用于短句朗读。关键词偏置上限提升到 2000 个词条，可以把产品名、人名和缩写词“喂”给模型，让转写和翻译向这些词倾斜，且所有支持语种通用。需要格式化输出时，在提示词里要求即可，测试集上的大写字母 F1 值在 89.7 到 99.5 之间。模型以 Apache 2.0 协议开源，支持 Transformers、vLLM、llama.cpp 以及面向苹果芯片的 mlx-audio。在 Open ASR 排行榜的公开英语短音频测试集上，它的平均词错误率为 5.06%，在开源权重语音识别模型中排第二。 另外两个升级版各有侧重。470m-turboctc 保持 4.7 亿参数的轻量体积，从原来的纯英语扩展到英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语，并原生输出标点和大小写，省掉了后处理步骤，针对混响音频的专项训练也让它在回声明显的房间里更稳，适合高吞吐和端侧部署。4.1-2b-plus 则强化了说话人归属、时间戳、关键词偏置和长语音表现，面向会议、通话这类多人录音场景。对做跨境生意的团队来说，这套组合的现实意义在于：客服通话、直播回放、海外会议纪要的转写和翻译可以按场景选型，轻量模型跑在本地设备上控制成本，高精度模型处理多语种内容，多人场景则交给带说话人识别的版本。