IBM выпустила Granite Speech 5.0: три открытые модели для корпоративного распознавания речи

Компания IBM представила масштабное обновление своей коллекции речевых моделей Granite Speech. Разработчики выпустили одну совершенно новую модель и обновили две уже существующие. Главный фокус релиза — покрытие полного спектра корпоративных задач: от высокоточной транскрипции и перевода до сверхбыстрой обработки данных на локальных устройствах и анализа многоголосых записей.

В индустрии автоматического распознавания речи (ASR) разработчики часто сталкиваются с необходимостью искать компромисс между скоростью работы, точностью транскрипции и способностью системы корректно разделять спикеров. Вместо создания единой универсальной архитектуры, IBM предлагает специализированные инструменты для разных сценариев использования, публикуя их под открытой лицензией Apache 2.0.

Флагманским решением стала новая модель granite-speech-5.0-2b с 2 млрд параметров. Она пришла на смену версии 4.1 при сохранении того же размера. Модель обучалась на 390 000 часов публичных аудиозаписей, а также на синтетических данных. Она поддерживает транскрипцию и двусторонний перевод для английского, французского, немецкого, испанского, португальского и японского языков, плюс перевод с английского на итальянский и мандаринский.

Среди ключевых нововведений флагмана — возможность управлять процессом через текстовые подсказки. Пользователь может указать язык ввода для направления мультиязычной транскрипции или запросить вывод с готовой пунктуацией и заглавными буквами. Также реализована поддержка списков смещения (keyword biasing) до 2000 терминов, что позволяет точнее распознавать названия продуктов, имена и аббревиатуры. По данным на 21 октября 2026 года, средняя ошибка (WER) модели на английских коротких тестах составляет 5,06%, что ставит ее на второе место среди открытых ASR-моделей в открытом рейтинге.

Для задач, требующих максимальной скорости, IBM обновила модель granite-speech-5.0-470m-turboctc. Сохранив размер в 470 млн параметров, она перестала быть исключительно англоязычной и теперь поддерживает семь языков. За счет оптимизации графа вычислений скорость модели выросла примерно в 1,6 раза — с 12 600 до 19 870 RTFx при сохранении уровня точности. Кроме того, транскрипты теперь генерируются сразу с пунктуацией и правильным регистром.

Третье обновление коснулось модели granite-speech-4.1-2b-plus, предназначенной для обработки длительных записей с несколькими говорящими (собрания, звонки в поддержку). Архитектура и API остались прежними, но веса были улучшены. Ошибка диаризации слов (WDER) и ошибка транскрипции с привязкой к спикеру (cpWER) снизились на 7%. Среднее смещение временных меток (AAS) для всей речи сократилось более чем вдвое — с 210.86 до 98.54. Ошибка на длинных записях (WER) упала на 24% (с 13.53 до 10.22), а ошибки при использовании списков ключевых слов из 20 терминов сократились на 45% (с 11.79 до 6.48).

Такое разделение линейки на три специализированных продукта демонстрирует прагматичный подход IBM к корпоративному ИИ. Компании получают возможность выбирать инструмент строго под свои вычислительные ресурсы и задачи, избегая избыточных затрат на запуск тяжелых моделей там, где требуется лишь базовая и быстрая транскрипция.

Открытый характер моделей и их нативная поддержка в популярных фреймворках (Transformers, vLLM, llama.cpp) могут усилить конкуренцию на рынке корпоративных речевых технологий. Локальное развертывание остается критически важным требованием для бизнеса, работающего с конфиденциальными аудиоданными.