IBM 更新 Granite Speech 系列，发布 granite-speech-5.0-2b

我们很高兴分享 IBM Granite Speech 系列的三项更新：一款全新的语音语言模型 granite-speech-5.0-2b，以及社区已在使用的两款模型的修订版本：granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。它们共同覆盖企业语音处理的各类需求：高精度转录与翻译、边缘设备上的超快速转录，以及说话人身份和发言时间与内容同样重要的录音处理。

模型	状态	更新内容	适用场景
`granite-speech-5.0-2b`	全新	自动语音识别 (ASR) 更精准、更能抵抗噪声和混响；支持语言 ID 提示、2,000 项关键词偏置，以及更出色的长篇翻译	高精度多语言转录与翻译
`granite-speech-5.0-470m-turboctc`	已更新	支持多语言，原生支持标点和大小写，对噪声和混响的抵抗能力更强	高吞吐量和设备端转录
`granite-speech-4.1-2b-plus`	已更新	改进说话人归属判定、时间戳、关键词偏置和长语音处理表现	会议、通话及其他多人录音

Granite Speech 5.0 2B：更精准、更稳健、控制力更强

granite-speech-5.0-2b 是 granite-speech-4.1-2b 的后继版本，参数量相同。它可转录英语、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翻译，此外还支持英语到意大利语和中文的翻译。它基于 390,000 小时的公开音频训练，并结合了专为日语 ASR、关键词偏置和翻译构建的合成数据。

与 4.1 2B Speech 相比有哪些新变化：

英语 ASR 更精准、更稳健：在英语短音频基准测试中准确率更高，也更善于处理噪声、混响和远距离麦克风语音。
语言 ID 提示：在提示中指定输入语言，以引导多语言转录。
长篇和对话翻译效果更好：翻译在较长语音中也能保持良好表现，且适用于更自然的语音，而不仅是简短的朗读句子。
关键词列表最多支持 2,000 项：可在所有支持的语言中，让转录和翻译更倾向于识别产品名称、人名和首字母缩略词。
按需添加标点和大小写：在提示中要求输出格式化文本；在我们的测试集中，大小写 F1 分数介于 89.7 至 99.5 之间。

该模型以 Apache 2.0 许可证发布，支持 Transformers、vLLM、llama.cpp 和适用于 Apple Silicon 的 mlx-audio。

图表 1：在开放权重 ASR 模型中，granite-speech-5.0-2b 的平均英语 WER 排名第 2（5.06%）。数值越低越好。结果未经官方验证，数据截至 15 October 2026，取自 Open ASR Leaderboard 的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

我们在8 月推出 Turbo CTC时，它是一款仅支持英语、拥有 470M 参数、专为速度打造的编码器。此修订版保持了原有的模型规模，并新增了用户最期待的三项功能：

多语言转录：英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
原生支持标点和大小写：转录结果可直接阅读，无需单独进行标点处理或大小写规范化。
在复杂声学环境下更稳健：训练时专门针对混响音频进行优化，使 Turbo CTC 在回声较大的房间和远场录音中表现更稳健。

它的速度也更快。通过编译单个 Conformer 模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 上的速度提升至 19,870 RTFx，高于发布时的约 12,600 RTFx：在准确率相同的情况下，速度提升约 1.6 倍。

图表 2：Open ASR Leaderboard 上的平均 WER 与 RTFx（英语短语音，9 个公开测试集，截至 2026 年 10 月）。WER 越低、RTFx 越高越好；RTFx 使用对数刻度。

Granite Speech 4.1 2B Plus：更准确地识别谁说了什么、何时说的

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，以及多人参与的长时间访谈。它保留了 4.1 这一名称，因为架构、提示格式和 API 均未改变，因此可直接替换当前模型，只是权重有所改进。此版本在四个方面进行了改进：

说话人归属：更准确地标记说话人。词级说话人分离错误率（WDER）降低 7%，说话人归属 WER（cpWER）整体降低 7%。
时间戳：平均时间戳偏移（AAS）减少一半以上，使字幕、搜索和审核中的时间定位更加准确。
长语音表现：长语音测试集上的 WER 降低 24%。
关键词偏置：使用包含 20 个词条的关键词列表时，偏置关键词的错误减少 45%。

能力	指标	先前版本	更新后的模型
所有语音的时间戳	AAS（平均时间戳偏移）	210.86	98.54
短语音的时间戳	AAS（平均时间戳偏移）	29.27	26.20
关键词偏置	偏置词 WER，20 词条列表	11.79	6.48
长语音	长语音测试集 WER	13.53	10.22
说话人归属	WDER	4.40	4.10
带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，因此越低越好。更多详细结果请参阅模型卡。

开始使用

不确定该选哪个模型？从这里开始：

需要高准确率转录、翻译或关键词偏置？使用 granite-speech-5.0-2b。
需要原始速度或设备端转录？使用 granite-speech-5.0-470m-turboctc，还可以通过我们的 WebGPU 流式演示在浏览器中试用。
处理会议或多人通话？使用 granite-speech-4.1-2b-plus。

这些模型均以 Apache 2.0 许可证发布，并原生支持 Transformers。完整的评估结果、架构详情、训练数据和使用示例均可在各模型卡中查看。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。

试试看，并告诉我们你的想法！