10 月 21 日,IBM 在 Hugging Face 上一次更新了 Granite Speech 家族的三件套:新旗舰 granite-speech-5.0-2b,加上两个存量模型的修订版——边缘端的 granite-speech-5.0-470m-turboctc 和会议场景的 granite-speech-4.1-2b-plus。一次动三个模型,在语音赛道并不多见,摆明了是要把企业语音的三类需求一次配齐。

三件套各自管什么

2B 旗舰管精度。 granite-speech-5.0-2b 是 4.1-2b 的同参数量继任者,支持英语、法语、德语、西班牙语、葡萄牙语、日语六种语言转写,并与英语互译,另加英语到意大利语和普通话的翻译方向。训练数据为 39 万小时公开音频,外加为日语 ASR、关键词偏置和翻译专门构造的合成数据。它支持最多 2000 词的关键词偏置表,把产品名、人名、缩写"喂"给模型;标点和大小写可按需请求,官方测试集上大小写 F1 为 89.7 到 99.5。

470M TurboCTC 管速度。 这个 8 月首发时还是英语专供的 470M 编码器,这次改版扩到七种语言(英、日、西、德、法、意、葡),转写结果原生带标点和大小写,并针对混响环境强化了训练。提速来自把单个 Conformer 块编译后在全栈复用:Open ASR Leaderboard 上的 RTFx 从发布时的约 12600 提到 19870,约 1.6 倍,精度不变。

4.1-2b-plus 管"谁在说话"。 架构、提示格式和 API 都没动,是原地换权重的 drop-in 升级。官方数据显示:词级说话人错误率 WDER 从 4.40 降到 4.10,降 7%;说话人归因转写错误率 cpWER 从 30.50 降到 28.48;长语音测试集 WER 从 13.53 降到 10.22,降 24%;20 词偏置表下的关键词错误率从 11.79 降到 6.48,降 45%;全语音平均时间戳偏移从 210.86 砍到 98.54,直接减半——对字幕和检索场景,这是硬收益。

数字之外的三点观察

第一,企业语音栈正在分层。精度、边缘速度、说话人归属三类需求,IBM 用三个分工明确的模型覆盖,而不是塞进一个"全能模型"。对照同周的 Qwen-Audio-3.1-ASR 和 Voxtral 3,开源语音赛道的供给正在快速拥挤。

第二,许可和推理栈都给足了。三个模型统一 Apache 2.0、原生支持 Transformers,其中 2B 旗舰还适配 vLLM、llama.cpp 和 Apple Silicon 的 mlx-audio,TurboCTC 另有浏览器 WebGPU 流式 demo。对不想被云 API 锁定的团队,这是一条完整的自托管路径。

第三,榜单数字要看口径。"平均英语 WER 5.06%、位居开源权重模型第二"是 IBM 官方在 Open ASR Leaderboard 公共英语短测集上的自报成绩,截止 10 月 21 日;1.6 倍提速同样出自官方口径,第三方复测尚未出现。采信数字时保持归因,是读厂商榜单的基本功。

参考:IBM Granite 官方博客 https://huggingface.co/blog/ibm-granite/granite-speech-5

对企业用户来说,信号很清楚:语音这条线正在重演 LLM 已走过的剧本——开源全家桶、明确分工、边缘可跑。下一个看点,是谁先把"转写+归属+翻译"做成真正顺手的端到端产品。