Granite Speech 5.0：更准确、更快速地转写、翻译与归属

英文原标题：Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• IBM 发布 Granite Speech 系列三项更新：新模型 granite-speech-5.0-2b，以及更新版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，覆盖高精度转写翻译、边缘极速转写和多说话人录音场景。
• granite-speech-5.0-2b 在相同参数量下取代 4.1-2b，支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并与英语互译，另支持英语到意大利语和普通话；训练数据含 39 万小时公开音频及合成数据。
• 5.0-2b 新增语言 ID 提示、最多 2000 词的关键词偏置、按需标点和大小写，并提升长语音和对话翻译表现；在 Open ASR Leaderboard 英语短语音平均 WER 为 5.06%，位列开源权重 ASR 模型第二。
• granite-speech-5.0-470m-turboctc 从英语单语扩展为多语言，原生输出标点和大小写，并增强对混响和远场音频的鲁棒性；通过复用单个 Conformer 块的计算图，RTFx 提升至 19,870，约为发布时 12,600 的 1.6 倍。
• granite-speech-4.1-2b-plus 保持架构、提示格式和 API 不变，可无缝替换旧版；说话人归属 WDER 和 cpWER 均下降 7%，时间戳平均偏移减半以上，长语音 WER 下降 24%，20 词关键词偏置错误率下降 45%。

关键数据

• granite-speech-5.0-2b 训练数据：390,000 小时公开音频
• 5.0-2b 英语短语音平均 WER 5.06%，开源权重 ASR 模型排名第 2
• 5.0-2b 大小写 F1 范围 89.7 至 99.5
• Turbo CTC RTFx 从约 12,600 提升至 19,870，约 1.6 倍
• 4.1-2b-plus 时间戳 AAS 从 210.86 降至 98.54
• 4.1-2b-plus 长语音 WER 从 13.53 降至 10.22
• 4.1-2b-plus 20 词关键词偏置 WER 从 11.79 降至 6.48
• 4.1-2b-plus WDER 从 4.40 降至 4.10，cpWER 从 30.50 降至 28.48

引语

• about 1.6x faster, at the same accuracy level

为什么值得看：这三款模型覆盖企业语音工作的高精度转写翻译、边缘高速转写和多说话人归属，且均以 Apache 2.0 许可发布并原生支持 Transformers，便于企业按场景选型部署。