IBM 发布 Granite Speech 5.0 语音模型更新，覆盖转录、翻译与说话人区分

我们很高兴地宣布 IBM Granite Speech 系列的三项更新：全新的语音语言模型 granite-speech-5.0-2b，以及社区已在使用的两个模型的修订版，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全部场景：高精度的转录与翻译、边缘端极速转录，以及“谁在何时说话”与“说了什么”同样重要的录音。

模型	状态	更新内容	最适用于
`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 个词条的关键词偏置、更好的长篇翻译	高精度多语言转录与翻译
`granite-speech-5.0-470m-turboctc`	更新	多语言、原生标点和大小写、对噪声和混响更鲁棒	高吞吐量和端侧转录
`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、更可控

granite-speech-5.0-2b 是同等参数规模下 granite-speech-4.1-2b 的后继者。它能转录英语、法语、德语、西班牙语、葡萄牙语和日语，并支持这些语言与英语之间的互译，外加英语到意大利语和中文普通话的翻译。该模型基于 39 万小时的公开音频训练，另外还加入了专为日语 ASR、关键词偏置和翻译构建的合成数据。

与 4.1 2B Speech 相比的新变化：

更准确、更鲁棒的英语 ASR：在英语短篇基准测试中准确度更高，对噪声、混响和远场麦克风语音的处理能力更强。
语言 ID 提示：在提示中指定输入语言，以引导多语言转录。
更好的长篇和会话翻译：面对更长、更自然的语音，翻译质量依然稳定，不再只限于简短的朗读句子。
最多 2,000 个词条的关键词列表：在所有支持的语言中，让转录和翻译偏向产品名称、人名和缩写。
按需提供标点和大小写：可在提示中要求格式化输出；在我们各测试集上的大小写 F1 得分范围为 89.7 至 99.5。

该模型以 Apache 2.0 许可发布，并支持 Transformers、vLLM、llama.cpp 以及面向 Apple Silicon 的 mlx-audio。

图表 1：granite-speech-5.0-2b 在主流开放权重 ASR 模型中，平均英语 WER（5.06%）排名第二。数值越低越好。结果为非官方数据，截至 2026 年 10 月 15 日，取自 Open ASR Leaderboard 公开的英语短篇测试集平均值。

Granite Speech 5.0 Turbo CTC：现已支持多语言、更鲁棒、而且更快

当我们在八月发布 Turbo CTC 时，它还是一个仅支持英语、为速度而生的 4.7 亿参数编码器。此次修订保持了原有的模型规模，并加入了用户最需求的三项功能：

多语言转录：支持英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
原生标点和大小写：转录文本输出即可阅读，无需单独的标点恢复或大小写还原步骤。
在困难声学环境下更鲁棒：针对混响音频的显式训练使 Turbo CTC 在有回声的房间和远场录音中表现更稳健。

速度也更快了。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，将 Turbo CTC 在 Open ASR Leaderboard 上的 RTFx 推高至 19,870，相比发布时的约 12,600 RTFx：在相同准确率水平下快约 1.6 倍。

图 2：Open ASR Leaderboard 上的平均 WER 与 RTFx 对比（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：更精准地识别谁在何时说了什么

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：多个说话人参与的长会议、客服电话和访谈。它保留 4.1 名称，因为架构、提示格式和 API 均未改变，因此可以作为当前模型的直接替代品，只需更换改进后的权重。此版本改进了四个方面：

说话人归属：更准确地标注谁在说话。词级说话人分离错误率（WDER）下降 7%，整体说话人归属 WER（cpWER）下降 7%。
时间戳：平均时间戳偏移（AAS）减少了一半以上，使字幕、搜索和审阅中的时间更精准。
长语音性能：长音频测试集上的 WER 下降 24%。
关键词偏置：使用包含 20 个词的关键词列表时，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
长音频	WER，长音频测试集	13.53	10.22
说话人归属	WDER	4.40	4.10
说话人归属的转录文本	cpWER	30.50	28.48

表 1：所有指标均为错误率，数值越低越好。更多详细结果，请参阅模型卡。

开始使用

不确定该选择哪个模型？从这里开始：

需要高精度转录、翻译或关键词偏置？使用 granite-speech-5.0-2b。
需要极致速度或端侧转录？使用 granite-speech-5.0-470m-turboctc，并通过我们的 WebGPU 流式演示在浏览器中试用。
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。完整的评估结果、架构细节、训练数据和使用示例见各模型卡。对于需要额外风险检测的生产部署，我们建议将它们与 Granite Guardian 搭配使用。

快来试用并告诉我们你的想法吧！