IBM发布Granite Speech 5.0系列AI语音模型，强化多语种转录与翻译

IBM于2026年10月发布新版Granite Speech系列语音模型，包括全新模型granite-speech-5.0-2b，以及更新版granite-speech-5.0-470m-turboctc和granite-speech-4.1-2b-plus。这些模型覆盖企业级语音转录、翻译及多说话人录音等场景。

granite-speech-5.0-2b是granite-speech-4.1-2b的继任者，参数规模相同，支持英语、法语、德语、西班牙语、葡萄牙语和日语的转录，以及这些语言与英语的互译，并新增英语到意大利语和中文普通话的翻译。该模型基于39万小时公共音频及合成数据训练，相比前代提升了英语自动语音识别的准确性，增强了噪声、混响和远距离麦克风场景下的表现，并支持语言ID提示、长对话翻译、最多2000词的关键词偏置以及可选的标点和大写输出。模型以Apache 2.0许可证发布，兼容Transformers、vLLM、llama.cpp和mlx-audio等框架。

granite-speech-5.0-470m-turboctc是原有Turbo CTC模型的更新版，从仅支持英语扩展为支持英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语七种语言，新增原生标点和大小写输出，并针对混响音频强化了鲁棒性。通过编译单个Conformer块并复用计算图，该模型在Open ASR榜单上的推理速度从约12,600 RTFx提升至19,870 RTFx，约为发布时的1.6倍，同时保持相同精度。

granite-speech-4.1-2b-plus针对会议、客服通话等多说话人长录音优化，在说话人归属、时间戳、长语音性能和关键词偏置方面均有改进。其中说话人归属错误率（WDER）下降7%，时间戳平均偏移减少一半以上，长语音测试集词错误率下降24%，带20个关键词列表的偏置词错误率下降45%。该模型保持原有架构和接口，可直接作为现有模型的替代版本使用。