IBM 近日对其 Granite Speech 语音模型系列进行了三项重要更新，旨在覆盖企业级语音处理的完整场景。此次发布包含全新的语音语言模型 Granite-Speech-5.0-2b，以及两个现有模型的修订版本：Granite-Speech-5.0-470m-turboctc 和 Granite-Speech-4.1-2b-plus。这些更新分别针对高精度转录与翻译、边缘设备上的极速转录，以及多说话人录音中的身份归因需求。
| Model | Status | 有什么新消息？ | 最适合 |
|---|---|---|---|
| 石榴石的演讲-5.0-2b | New | 更精准的自动语音识别（ASR），抗噪声和混响能力更强，支持语言 ID 提示，2,000 词关键词偏置，长文本翻译效果更好 | 高精度的多语言转录和翻译 |
| 大岩演讲-5.0-470m-turboctc | Updated | 多语言，本地标点和大写，以及更强大的噪音和回声 | 高通量和设备上的转录 |
| 大岩演讲-4.1-2b-plus | Updated | 改进了演讲者归属，时间，关键词偏差和长演讲性能 | 会议，电话和其他多扬声器录制的录音内容，包括： |
岩语音 5.0 2B:更准确，更强大，更可控
Granite-Speech-5.0-2b 作为 Granite-Speech-4.1-2b 的后续产品，保持了相同的参数规模。该模型支持英语、法语、德语、西班牙语、葡萄牙语和日语的语音转录，并实现上述语言与英语之间的双向翻译，此外还支持从英语到意大利语和中文普通话的翻译。其训练数据包括 39 万小时公开音频，以及为日语 ASR、关键词偏置和翻译任务专门构建的合成数据。
相较于 4.1 2B 版本，新模型在以下方面有所提升：
- 更准确，更强大的英语 ASR:在英语短文基准上更高的准确性，更好地处理噪音，回声和远距离麦克风语音。
- 语言 ID 提示：在引导多语言转录的提示中命名输入语言。
- 更好的长篇和对话性翻译：翻译会持续更长时间，使用更自然的语言，而不仅仅是短读句子。
- 关键词列表最多包含 2,000 个术语：在所有支持的语言中，偏向于将转录和翻译结果指向产品名称、人名以及缩写词。
- 在请求时标点和大写：在提示符中请求格式化的输出；在我们的测试组中，F1 的大写范围在 89.7 至 99.5 之间。
该模型采用 Apache 2.0 许可证发布，支持 Transformers,vLLM,llama.cpp 和 Apple Silicon 的 mlx-audio.
图 1:在平均英语 WER (5.06%) 中，花).岩语-5.0-2b 在顶级开放重量 ASR 模型中排名第二。低一些就更好了。结果是非官方的，截至 2026 年 10 月 15 日，均为开放的 ASR 排行榜公开的英语简体测试集。
现在可以使用多种语言，更强大，更快速。岩语音 5.0 Turbo CTC
此前于 8 月份推出的 Turbo CTC 是一款仅支持英语的 470M 参数编码器。本次修订保留了原有的模型架构，并增加了用户最要求的三件事：
- 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。
- 本地标点和大写：成绩单已经准备好阅读，没有单独的标点或正文步骤。
- 在困难的声学中更强大：明确针对反响音频的训练使得 Turbo CTC 在回声房间和远场录音中更强大。
性能方面，通过编译一个单一的 Conformer 块并在堆中重复使用它的图表，预热时间缩短，Turbo CTC 在 Open ASR 排行榜上的速度提升至 19,870 RTFx，较发布时的约 12,600 RTFx 提升了约 1.6 倍，且精度水平保持不变。
图 2:平均 WER 与在开放的 ASR 排行榜上 RTFx (英语简体，9 个公开测试套件，截至 2026 年 10 月)。较低的 WER 和较高的 RTFx 是更好的；较低的 WER 和较高的 RTFx 是更好的；RTFx 是一个日志尺度。
4.1 2B Plus:更好地知道谁说什么，什么时候说什么
更新的 Granite-Speech-4.1-2b-plus 主要面向会议、支持电话及长时间采访等多说话人录音场景。由于架构、提示格式和 API 未发生变化，该版本可直接替换现有模型。这一修订在以下四个领域进行了改进：
- 演讲者归属：更准确地标记谁在说话。单词日记化错误率 (WDER) 下降了 7%，而演讲者赋予的 WER (cpWER) 总体下降了 7%。
- 时间：平均时间转移 (AAS) 减少了一半以上，在标题，搜索和审查中产生更紧密的时间。
- 长篇演讲性能：长篇试验组的 WER 下降了 24%。
- 关键字偏见：对偏见的关键字的错误在 20 个术语的关键字列表下降了 45%。
| 能力 | Metric | 上一个版本 | 更新的模型 |
|---|---|---|---|
| 时间，所有演讲 | AAS (平均时间 shift 转移) | 210.86 | 98.54 |
| 时间，简短的演讲 | AAS (平均时间 shift 转移) | 29.27 | 26.20 |
| 关键字偏见 | 有偏见的词汇 WER,20 个术语列表 | 11.79 | 6.48 |
| 长篇演讲 | WER，长型测试套件 | 13.53 | 10.22 |
| 发言人的归属 | WDER | 4.40 | 4.10 |
| 发言人归因的成绩单 | cpWER | 30.50 | 28.48 |
所有指标都是错误率，所以较低更好。图 1:所有指标都是错误率，较低更好。更多详细的结果，请参阅模型卡。
开始吧
根据具体需求，建议如下选择模型：
- 需要高精度的转录，翻译或关键字偏见？使用花。岩话语-5.0-2b.
- 需要原始速度还是设备上的转录？在浏览器中使用我们的 WebGPU 流媒体演示。通过 WebGPU 流媒体演示
- 在会议或多音箱通话中工作？使用花。岩语言 4.1-2b-plus.
这些模型都在 Apache 2.0 许可证下发布，在变形金刚游戏中提供原生支持。完整的评估结果，架构细节，训练数据和使用示例都在每个模型卡上。对于需要额外风险检测的生产部署，我们建议将它们与花。岩卫士配对。
