IBM atnaujino „Granite Speech“ liniją: naujas ASR modelis, greitesnė transkripcija ir tikslesnis kalbėtojų atskyrimas
Trumpai: IBM pristatė tris „Granite Speech“ šeimos atnaujinimus: visiškai naują 2B kalbos-kalbos modelį (granite-speech-5.0-2b), patobulintą 470M „Turbo CTC“ modelį, skirtą greičiui, ir patobulintą 4.1-2B-Plus modelį, pritaikytą pokalbiams su keliais kalbėtojais. Kartu jie skirti tikslesnei transkripcijai/vertimui, greitam atpažinimui įrenginyje ir tiksliam kalbėtojų bei laiko žymių nurodymui. Visi trys lieka pagal Apache 2.0 licenciją.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Hugging Face“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1granite-speech-5.0-2b įgijo kalbos nurodymą per užklausą, iki 2000 terminų raktažodžių paryškinimą, geresnį triukšmo/aido atsparumą ir platesnį vertimą (anglų kalba poruojama su prancūzų, vokiečių, ispanų, portugalų, japonų, taip pat anglų-italų ir anglų-mandarinų kryptimis); didžiųjų raidžių F1 svy
- 2„Turbo CTC“ iš anglų-only tapo septynių kalbų modeliu (pridėjus japonų, ispanų, vokiečių, prancūzų, italų, portugalų kalbas), įgijo natūralią skyrybą/didžiąsias raides, geriau apdoroja aidą ir tolimo mikrofono įrašus, ir tapo maždaug 1,6 karto greitesnis — pralaidumas išaugo nuo ~12 600 iki 19 870 R
- 34.1-2B-Plus išlaiko tą pačią architektūrą, užklausų formatą ir API (tiesioginis pakeitimas), tačiau sumažina diarizacijos klaidas: WDER ir cpWER sumažėja po 7 %, laiko žymės paklaida (AAS) sumažėja daugiau nei perpus, ilgų įrašų WER sumažėja 24 %, o raktažodžių paryškinimo klaidos su 20 terminų sąra
| Parametras | Buvo | Dabar |
|---|---|---|
| granite-speech-5.0-2b WER | Nenurodyta (pakeičia granite-speech-4.1-2b) | 5,06 % vidutinė anglų kalbos WER, #2 vieta tarp atvirojo kodo ASR modelių |
| Turbo CTC greitis (RTFx) | ~12 600 RTFx pristatymo metu | 19 870 RTFx (maždaug 1,6 karto greičiau, tas pats tikslumas) |
| Turbo CTC kalbos | Tik anglų | Anglų, japonų, ispanų, vokiečių, prancūzų, italų, portugalų |
| 4.1-2B-Plus WDER/cpWER | WDER 4,40, cpWER 30,50 | WDER 4,10, cpWER 28,48 (sumažėjimas po 7 %) |
| 4.1-2B-Plus ilgų įrašų WER | 13,53 | 10,22 (sumažėjimas 24 %) |
| 4.1-2B-Plus raktažodžių paryškinimo WER (20 terminų) | 11,79 | 6,48 (sumažėjimas 45 %) |
| 4.1-2B-Plus laiko žymės paklaida (AAS, visa kalba) | 210,86 | 98,54 |
Kodėl tai svarbu?
Šie atnaujinimai pagerina tris įmonėms svarbius aspektus: transkripcijos tikslumą triukšmingomis sąlygomis, atpažinimo greitį įrenginyje ar didelio srauto sistemose, ir patikimą kalbėtojų bei laiko žymių nurodymą pokalbiuose su keliais dalyviais — tai dažnos problemos kontaktų centrų ir susitikimų transkripcijos darbuose.
Ką tai reiškia AI agentams ir kontaktų centrams?
Komandoms, kuriančioms balso agentus telefoninėms linijoms ir kontaktų centrų analitiką, verta testuoti šių atvirojo kodo modelių raktažodžių paryškinimą, triukšmo atsparumą ir greitesnį atpažinimą prie krašto, lyginant su dabartiniu STT sprendimu, ypač pralaidumo ir kelių kalbėtojų skambučių kokybės kontrolės atžvilgiu — tačiau lietuvių kalba nėra įtraukta į šaltinio nurodytų palaikomų kalbų sąrašą.
🧪 Verta testuoti
Atvirojo kodo modeliai su konkrečiais patobulinimais triukšmo atsparumo, raktažodžių paryškinimo, greičio bei kalbėtojų/laiko žymių tikslumo srityse yra geras pagrindas palyginti su esamais STT sprendimais skambučių transkripcijai ir susitikimų analizei.
Šaltiniai
- Hugging FaceOficialusPirminis šaltinisOriginalus straipsnis →„Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster“2026-10-21 17:58
- Šaltinio publikavimo data
- 2026-10-21 17:58
- Mūsų sistema rado
- 2026-10-21 18:19
- Santrauka sugeneruota
- 2026-10-21 18:21
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas