IBM Granite Speech 5.0: pontosabb ASR, gyorsabb Turbo CTC

Mi változott?

Az IBM október 21-én a Hugging Face blogján (blogposzt) három modellt jelentett be a Granite Speech kollekcióban. Az egyik teljesen új, a másik kettő a közösség által már használt modellek frissítése. Mindhárom Apache 2.0 licencű, és natívan fut a Transformersben.

granite-speech-5.0-2b: az új zászlóshajó

Az új modell a granite-speech-4.1-2b utódja, ugyanakkora paraméterszámmal. Angolul, franciául, németül, spanyolul, portugálul és japánul ír át, ezek és az angol között fordít, illetve angolról olaszra és mandarinra is. 390 ezer óra nyilvános hanganyagon tanították, szintetikus adatokkal kiegészítve.

• Pontosabb angol ASR, jobban bírja a zajt, a visszhangot és a távoli mikrofont.
• A bemenet nyelve megadható a promptban, ez segíti a többnyelvű átírást.
• Legfeljebb 2000 kifejezésből álló kulcsszólistával terelhető a felismerés, például terméknevek, személynevek és rövidítések felé.
• Kérésre írásjeleket és nagybetűket is tesz, a kapitalizálás F1 értéke 89,7 és 99,5 között mozog az IBM tesztjein.
• Támogatja a Transformers, a vLLM, a llama.cpp és Apple Siliconon az mlx-audio.

Az IBM saját, nem hivatalos mérése szerint a modell 5,06%-os átlagos angol WER-rel (szóhibaarány) a második a nyílt súlyú ASR modellek között az Open ASR Leaderboard rövid angol tesztjein. Az első a Qwen3-ASR-1.7B 4,94%-kal.

Forrás: IBM, Hugging Face blog (nem hivatalos eredmények, 2026. október 15-i állapot)

Turbo CTC: többnyelvű és 1,6-szor gyorsabb

A granite-speech-5.0-470m-turboctc augusztusban még csak angolul tudott. A frissítés után angolul, japánul, spanyolul, németül, franciául, olaszul és portugálul ír át, natív írásjelezéssel. Az IBM egyetlen Conformer blokkot fordít le, és annak gráfját használja újra a teljes stacken. Így a modell 19 870 RTFx-et ér el az Open ASR Leaderboardon a korábbi kb. 12 600 helyett, azonos pontosság mellett. Böngészőben WebGPU-s streaming demóval is kipróbálható.

4.1 2B Plus: jobb a ki mit mondott kérdésben

A granite-speech-4.1-2b-plus architektúrája, promptformátuma és API-ja változatlan, ezért drop-in csereként új súlyokat kap. Az IBM számai szerint a szószintű diarizációs hiba (WDER) 4,40-ről 4,10-re, a beszélőhöz rendelt cpWER 30,50-ről 28,48-ra csökkent. Az átlagos időbélyeg-eltolódás 210,86-ról 98,54-re esett, a hosszú felvételek WER-je 13,53-ról 10,22-re, a 20 elemes kulcsszólistás hibaarány pedig 11,79-ről 6,48-ra.

Miért fontos?

Aki meeting-átírást, call center elemzést vagy feliratozást épít, most egy szabad licencű, 2B-s modellből kap közel élmezőnybeli angol pontosságot, kulcsszóterelést és fordítást. A Turbo CTC sebessége miatt on-device és nagy áteresztőképességű feldolgozásra is jó jelölt.

Mire figyelj?

A benchmarkokat az IBM maga futtatta, a ranglistás helyezés nem hivatalos. A magyar nyelv egyik modellnél sincs a támogatottak között, így hazai felhasználásra előbb érdemes saját hanganyagon tesztelni.