我们很高兴分享 IBM Granite Speech 系列的三个更新：一个新的语音语言模型，granite-speech-5.0-2b，以及社区已在使用的两个模型的修订版本，granite-speech-5.0-470m-turboctc和granite-speech-4.1-2b-plus。它们共同覆盖了企业语音工作的完整范围：高精度的转录和翻译、边缘端极快的转录，以及说话人和说话时间与说话内容同样重要的录音。
| 模型 | 状态 | 新增内容 | 最适合 |
|---|---|---|---|
granite-speech-5.0-2b |
新增 | 更准确、对噪声和混响更鲁棒的自动语音识别（ASR）、语言 ID 提示、2,000 词条关键词偏置、更好的长音频翻译 | 高精度多语言转录和翻译 |
granite-speech-5.0-470m-turboctc |
更新 | 多语言、原生标点和大写、对噪声和混响更鲁棒 | 高吞吐量和设备端转录 |
granite-speech-4.1-2b-plus |
更新 | 改进的说话人归属、时间戳、关键词偏置和长语音性能 | 会议、通话及其他多说话人录音 |
Granite Speech 5.0 2B：更准确、更鲁棒、更多控制
granite-speech-5.0-2b是granite-speech-4.1-2b在相同参数量下的继任者。它可转录英语、法语、德语、西班牙语、葡萄牙语和日语，并在这些语言之间与英语互译，另支持英语到意大利语和普通话的翻译。它基于 390,000 小时的公开音频训练，外加为日语 ASR、关键词偏置和翻译构建的合成数据。
与 4.1 2B Speech 相比的新增内容：
- 更准确、更鲁棒的英语 ASR：在英语短音频基准测试上准确率更高，对噪声、混响和远场麦克风语音的处理更好。
- 语言 ID 提示：在提示中指定输入语言以引导多语言转录。
- 更好的长音频和对话式翻译：翻译在更长、更自然的语音下依然保持良好，而不仅是简短的朗读句子。
- 关键词列表最多 2,000 个词条：在所有支持的语言中，将转录和翻译偏向产品名称、人名和缩写。
- 按需标点和大写：在提示中要求格式化输出；在我们的测试集上大写 F1 范围为 89.7 到 99.5。
该模型以 Apache 2.0 许可发布，支持 Transformers、vLLM、llama.cpp 以及面向 Apple Silicon 的 mlx-audio。
图 1：granite-speech-5.0-2b 在顶级开源权重 ASR 模型中按平均英语 WER（5.06%）排名第 2。数值越低越好。结果非官方，截至 2026 年 10 月 15 日，为 Open ASR Leaderboard 公开英语短音频测试集的平均值。
Granite Speech 5.0 Turbo CTC：现已支持多语言、更稳健、速度更快
当我们在8 月推出 Turbo CTC 时，它是一个仅支持英语、拥有 4.7 亿参数的编码器，专为速度而构建。本次修订保留了这一规模，并加入了用户最迫切要求的三项改进：
- 多语言转写：英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
- 原生标点与大小写：转写结果可直接阅读，无需单独的标点或大小写还原步骤。
- 在困难声学环境中更稳健：明确针对混响音频的训练使 Turbo CTC 在回声房间和远场录音中更加稳健。
它也更快了。通过编译单个 Conformer 块并在整个堆栈中复用其计算图，我们缩短了预热时间，并将 Turbo CTC 在 Open ASR Leaderboard 上的 RTFx 提升至 19,870，高于发布时的约 12,600 RTFx：在相同准确率水平下约快 1.6 倍。
图 2：Open ASR Leaderboard 上的平均 WER 与 RTFx（英语短音频，9 个公开测试集，截至 2026 年 10 月）。WER 越低、RTFx 越高越好；RTFx 采用对数刻度。
Granite Speech 4.1 2B Plus：更擅长识别谁在说话，以及何时说话
更新后的granite-speech-4.1-2b-plus针对企业实际拥有的录音进行了调优：会议、客服通话以及多位说话人长时间进行的访谈。它保留 4.1 的名称，因为架构、提示格式和 API 均未改变，因此可作为当前模型的直接替换，权重有所改进。本次修订改进了四个方面：
- 说话人归属：更准确地标注说话人。词级说话人分离错误率（WDER）下降 7%，说话人归属 WER（cpWER）整体下降 7%。
- 时间戳：平均时间戳偏移（AAS）减少一半以上，使字幕、搜索和回看中的时间更精确。
- 长语音性能：长音频测试集上的 WER 下降 24%。
- 关键词偏置：使用 20 词关键词列表时，带偏置关键词的错误率下降 45%。
| 能力 | 指标 | 上一版本 | 更新后的模型 |
|---|---|---|---|
| 时间戳，全部语音 | AAS（平均时间戳偏移） | 210.86 | 98.54 |
| 时间戳，短语音 | AAS（平均时间戳偏移） | 29.27 | 26.20 |
| 关键词偏置 | 偏置词 WER，20 词列表 | 11.79 | 6.48 |
| 长语音 | WER，长语音测试集 | 13.53 | 10.22 |
| 说话人归属 | WDER | 4.40 | 4.10 |
| 带说话人归属的转录 | cpWER | 30.50 | 28.48 |
表 1：所有指标均为错误率，因此越低越好。更详细的结果请参见模型卡。
开始使用
不确定该选哪个模型？从这里开始：
- 需要高转录准确率、翻译或关键词偏置？使用granite-speech-5.0-2b。
- 需要原始速度或端侧转录？使用granite-speech-5.0-470m-turboctc，并在浏览器中通过我们的WebGPU 流式演示试用。
- 处理会议或多说话人通话？使用granite-speech-4.1-2b-plus。
这些模型均以 Apache 2.0 许可证发布，并在 Transformers 中提供原生支持。完整评估结果、架构细节、训练数据和使用示例见各模型卡。我们建议将它们与Granite Guardian搭配使用，以用于需要额外风险检测的生产部署。
试用一下，并告诉我们你的想法！