IBM 發布 Granite Speech 5.0 系列：新 granite-speech-5.0-2b 支援六種語言轉寫與翻譯，並更新 Turbo CTC 與 4.1-2b-plus

IBM 更新其 Granite Speech 系列，包含一款新模型與兩款既有模型的修訂版：新推出的 granite-speech-5.0-2b，以及更新的 granite-speech-5.0-470m-turboctc 與 granite-speech-4.1-2b-plus。granite-speech-5.0-2b 為 4.1 2B 的後繼版本，參數量相同，可轉寫英文、法文、德文、西班牙文、葡萄牙文與日文，並可在這些語言與英文之間互譯，另支援英譯義大利文與中文（Mandarin）。模型訓練資料為 39 萬小時公開音訊，另加入為日文 ASR、關鍵詞偏置與翻譯所建的合成資料。相較 4.1 2B，新版英文短句辨識準確度提升，對噪音、回音與遠場麥克風語音的穩健性也有改善；新增語言識別提示（在 prompt 中指定輸入語言）、最多 2,000 個關鍵詞的偏置清單，以及更好的長篇與口語翻譯表現。標點與大小寫可於 prompt 中要求輸出，大小寫 F1 在各測試集介於 89.7 至 99.5。官方公布英文短句平均 WER 為 5.06%，在 Open ASR Leaderboard 開放權重模型中排名第二（截至 2026 年 10 月 21 日）。模型採 Apache 2.0 授權，支援 Transformers、vLLM、llama.cpp，以及 Apple Silicon 的 mlx-audio。 granite-speech-5.0-470m-turboctc 為 8 月推出的純英文 470M 參數編碼器修訂版，維持相同參數規模，新增多語支援（英、日、西、德、法、義、葡），並原生輸出標點與大小寫，無需額外後處理。官方指出其針對混響音訊進行訓練，在回音房間與遠場錄音中更穩健。速度方面，透過編譯單一 Conformer 區塊並在整個堆疊中重用計算圖，縮短暖機時間，在 Open ASR Leaderboard 上由約 12,600 RTFx 提升至 19,870 RTFx，約快 1.6 倍，準確度維持相同水準。 granite-speech-4.1-2b-plus 針對會議、客服通話與多人訪談等長錄音調整。架構、prompt 格式與 API 皆未變，可直接替換舊版權重。官方數據顯示：說話人歸屬的 WDER 下降 7%，說話人歸屬 WER（cpWER）整體下降 7%；平均時間戳偏移（AAS）減少一半以上；長篇測試集 WER 下降 24%；以 20 個關鍵詞的清單計，關鍵詞錯誤下降 45%。依官方表格，全語音時間戳 AAS 由 210.86 降至 98.54，長篇 WER 由 13.53 降至 10.22，cpWER 由 30.50 降至 28.48。