IBM odświeża rodzinę Granite Speech: nowy model ASR, szybsza transkrypcja i dokładniejsze przypisywanie mówców
W skrócie: IBM wprowadził trzy aktualizacje rodziny Granite Speech: zupełnie nowy model mowa-język na 2B parametrów (granite-speech-5.0-2b), ulepszony model Turbo CTC na 470M parametrów nastawiony na szybkość oraz poprawiony model 4.1-2B-Plus dostosowany do nagrań z wieloma mówcami. Razem odpowiadają za wysoką dokładność transkrypcji/tłumaczenia, szybkie rozpoznawanie na urządzeniu oraz dokładne etykietowanie mówców i znaczników czasu. Wszystkie trzy pozostają na licencji Apache 2.0.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „Hugging Face”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1granite-speech-5.0-2b zyskał podpowiadanie języka w promptcie, biasing słów kluczowych do 2000 terminów, lepszą odporność na szum/pogłos oraz szersze tłumaczenie (angielski łączony z francuskim, niemieckim, hiszpańskim, portugalskim, japońskim, a także angielski-włoski i angielski-mandaryński); F1 d
- 2Turbo CTC z modelu wyłącznie angielskiego stał się modelem siedmiojęzycznym (dodano japoński, hiszpański, niemiecki, francuski, włoski, portugalski), zyskał natywną interpunkcję/wielkie litery, lepiej radzi sobie z pogłosem i nagraniami z daleka, oraz stał się około 1,6 razy szybszy — przepustowość
- 34.1-2B-Plus zachowuje tę samą architekturę, format promptów i API (gotowa zamiana bez zmian), ale zmniejsza błędy diaryzacji: WDER i cpWER spadają po 7%, przesunięcie znaczników czasu (AAS) maleje ponad dwukrotnie, WER dla długich nagrań spada o 24%, a błędy biasingu słów kluczowych spadają o 45% pr
| Parametr | Było | Jest |
|---|---|---|
| granite-speech-5.0-2b WER | Nie określono (następca granite-speech-4.1-2b) | 5,06% średni WER dla angielskiego, #2 miejsce wśród otwartych modeli ASR |
| Szybkość Turbo CTC (RTFx) | ~12 600 RTFx przy premierze | 19 870 RTFx (ok. 1,6 razy szybciej przy tej samej dokładności) |
| Języki Turbo CTC | Tylko angielski | Angielski, japoński, hiszpański, niemiecki, francuski, włoski, portugalski |
| 4.1-2B-Plus WDER/cpWER | WDER 4,40, cpWER 30,50 | WDER 4,10, cpWER 28,48 (spadek po 7%) |
| 4.1-2B-Plus WER dla długich nagrań | 13,53 | 10,22 (spadek o 24%) |
| 4.1-2B-Plus biasing słów kluczowych WER (20 terminów) | 11,79 | 6,48 (spadek o 45%) |
| 4.1-2B-Plus przesunięcie znacznika czasu (AAS, cała mowa) | 210,86 | 98,54 |
Dlaczego to ważne?
Te aktualizacje poprawiają trzy praktyczne obszary ważne dla firm: dokładność transkrypcji w hałaśliwych warunkach, szybkość wnioskowania przy dużej skali lub na urządzeniach brzegowych oraz niezawodność przypisywania wypowiedzi do konkretnych mówców w nagraniach wieloosobowych — to typowe wyzwania w centrach kontaktowych i transkrypcji spotkań.
Co to oznacza dla agentów AI i contact center?
Dla zespołów budujących agentów głosowych do rozmów telefonicznych i analitykę centrów kontaktowych warto przetestować biasing słów kluczowych, odporność na szum oraz szybsze wnioskowanie brzegowe tych otwartych modeli względem obecnego stosu STT, zwłaszcza pod kątem przepustowości i kontroli jakości rozmów wieloosobowych — należy jednak zauważyć, że język polski ani litewski nie są wymienione wśród obsługiwanych języków w źródle.
🧪 Warte przetestowania
Otwarte modele z konkretnymi usprawnieniami w zakresie odporności na szum, biasingu słów kluczowych, szybkości oraz dokładności przypisywania mówców i znaczników czasu to dobra podstawa do porównania z obecnym stosem STT przy transkrypcji rozmów i analizie spotkań.
Źródła
- Hugging FaceOficjalneŹródło pierwotneOryginalny artykuł →„Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster“21 paź 2026, 17:58
- Data publikacji źródła
- 21 paź 2026, 17:58
- Znalezione przez nasz system
- 21 paź 2026, 18:19
- Podsumowanie wygenerowano
- 21 paź 2026, 18:21
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność