Granite Speech 5.0 2B：提升多語言轉錄與翻譯的準確度與控制力
granite-speech-5.0-2b 是 granite-speech-4.1-2b 的後續版本，參數規模維持不變。該模型支援英語、法語、德語、西班牙語、葡萄牙語和日語的自動語音辨識（ASR），並能在這些語言與英語之間進行雙向翻譯，同時支援從英語翻譯至義大利語和中文。訓練數據包含 390,000 小時的公開音訊，以及專為日語 ASR、關鍵字偏置和翻譯任務生成的合成資料。
相較於前代版本，新模型在英語短格式基準測試中準確度更高，並增強了對噪音、混響及遠場麥克風錄音的處理能力。使用者可透過提示詞指定輸入語言以引導多語言轉錄，或請求輸出帶有標點符號和大寫字母的格式化文本，測試顯示大寫字母 F1 分數在 89.7 至 99.5 之間。
該模型支援高達 2,000 個詞的關鍵字列表偏置，可針對產品名稱、人名和縮寫進行轉錄與翻譯優化。根據 Open ASR Leaderboard 的非官方數據（截至 2026 年 10 月 15 日），granite-speech-5.0-2b 在平均英語詞錯誤率（WER）上達到 5.06%，在頂級開放權重 ASR 模型中排名第二。
Turbo CTC 更新：新增多語言支援並大幅提升轉錄速度
granite-speech-5.0-470m-turboctc 是基於先前僅支援英語的 470M 參數模型進行更新，保留了原有的輕量級架構以適應邊緣裝置部署。此次更新新增了對英語、日語、西班牙語、德語、法語、義大利語和葡萄牙語的多語言轉錄支援，並內建標點符號與大寫字母處理功能，無需額外步驟即可生成可直接閱讀的轉錄文本。
透過編譯單一 Conformer 區塊並在堆疊中重用其計算圖，開發團隊減少了預熱時間，使模型在 Open ASR Leaderboard 上的吞吐量達到 19,870 RTFx（Real-Time Factor），較發布時的約 12,600 RTFx 提升約 1.6 倍，同時維持相同的準確度水準。
訓練過程特別針對混響音訊進行優化，使模型在回聲環境和遠場錄音中表現更穩健。開發者可透過 WebGPU 串流示範直接在瀏覽器中測試該模型的高速轉錄能力。
Granite Speech 4.1 2B Plus：強化多人對話場景的說話者歸因與時間戳記精度
granite-speech-4.1-2b-plus 專為企業常見的會議、客服通話和訪談等多人長錄音場景設計。由於架構、提示格式和 API 保持不變，該更新僅替換權重，可作為現有模型的直接替代品（drop-in replacement）。
在說話者歸因方面，詞級別說話者分離錯誤率（WDER）降低了 7%，帶有說話者標記的詞錯誤率（cpWER）整體降低 7%。時間戳記的平均偏移量（AAS）減少超過一半，從全語音場景的 210.86 降至 98.54，短語音場景則從 29.27 微調至 26.20，這有助於提升字幕、搜尋和審查的時間精度。
針對長格式語音測試集，詞錯誤率（WER）降低了 24%，從 13.53 降至 10.22。在關鍵字偏置方面，使用 20 個詞的列表時，偏置關鍵字的錯誤率下降了 45%，從 11.79 降至 6.48。
模型選擇建議與部署支援
IBM 提供了明確的模型選擇指引：若需要高轉錄準確度、翻譯功能或關鍵字偏置，應使用 granite-speech-5.0-2b；若追求極致速度或邊緣裝置轉錄，則選擇 granite-speech-5.0-470m-turboctc；處理會議或多說話者通話時，granite-speech-4.1-2b-plus 為最佳選項。
所有模型均以 Apache 2.0 授權釋出，原生支援 Transformers 框架，並相容於 vLLM、llama.cpp 以及 Apple Silicon 上的 mlx-audio。IBM 建議在需要額外風險檢測的生產環境部署中，搭配 Granite Guardian 使用。詳細的評估結果、架構細節和訓練數據可在各模型的模型卡（model card）中查閱。
