IBM发布Granite Speech 5.0语音系列模型，全面升级转写与说话人区分

IBM 近日针对旗下开源 Granite Speech 系列语音大模型推出三项重要更新：发布全新的语音语言大模型 granite-speech-5.0-2b，并全面升级已有模型 granite-speech-5.0-470m-turboctc 与 granite-speech-4.1-2b-plus。

这三款模型覆盖了从高精度多语言转写翻译、边缘端超高速推理，到复杂多人会议记录等主流企业级语音场景。

模型	状态	核心亮点	适用场景
granite-speech-5.0-2b	全新发布	准确率更高、抗噪抗混响强、支持语言标识提示词、2000词热词偏置、更强的长文本翻译	高精度多语言转写与翻译
granite-speech-5.0-470m-turboctc	版本升级	支持多语言、原生标点与大小写输出、抗噪与抗混响能力提升	高吞吐量及端侧设备实时转写
granite-speech-4.1-2b-plus	版本升级	提升说话人归属识别、时间戳精度、热词偏置及长音频表现	会议、客服通话等多人长语音场景

Granite Speech 5.0 2B：精度提升与更强可控性

作为 4.1 版本的继任者，granite-speech-5.0-2b 保持了 20 亿参数规模。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写，并可在这些语种与英语之间进行双向互译，同时新增了英语至意大利语、中文普通话的翻译能力。该模型基于 39 万小时公开音频数据训练，并融合了针对日语识别、关键词偏置和翻译任务构建的高质量合成数据。

新特性包括：

• 更高精度的英语 ASR：在英语短音频基准测试中准确率显著提升，面对嘈杂环境、强混响及远场麦克风拾音时表现更为稳健。
• 语言 ID 提示词：可在 Prompt 中直接指定输入语言，引导多语言转写流程。
• 长文本与口语化翻译：优化了长时间连续对话场景下的翻译稳定性，更贴近自然口语。
• 支持多达 2000 个词的热词偏置：可在所有支持的语言中注入专有名词、人名及缩写词表，显著改善专业术语识别率。
• 按需输出标点与大小写：用户可通过提示词请求格式化输出，大小写识别 F1 分数在测试集上达到了 89.7 至 99.5。

在 Open ASR 榜单的公开英语测试集中，granite-speech-5.0-2b 平均词错误率（WER）仅为 5.06%，在主流开源权重 ASR 模型中位列前茅。该模型采用 Apache 2.0 许可证开源，支持 Hugging Face Transformers、vLLM、llama.cpp 以及面向 Apple 芯片的 mlx-audio 框架。

Granite Speech 5.0 Turbo CTC：多语言支持与速度跃升

Turbo CTC 是一个专注于推理速度的 4.7 亿参数编码器模型。本次更新在保持原有小巧体积的同时，补齐了三大关键能力：

• 多语言转写：支持英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
• 原生标点和大小写：转写结果直接生成可读排版，无需后置额外的标点还原模型。
• 复杂声学环境适应：针对混响音频进行了专项训练，大幅改善了回音房间与远场录音的转写质量。

通过编译单个 Conformer 模块并在模型堆栈中复用其计算图，新版模型缩短了预热时间，在 Open ASR 榜单上取得了 19,870 RTFx 的实时率因子，相比初代版本的约 12,600 RTFx 提速近 1.6 倍。

Granite Speech 4.1 2B Plus：深耕多人会议与通话记录

针对企业实际落地中的长会议、客服录音与多人访谈场景，IBM 推出了 granite-speech-4.1-2b-plus。由于模型架构、提示词格式和 API 接口完全未变，企业用户可以直接通过更新模型权重完成无缝替换。