Granite Speech 5.0: три обновления для локальной работы с записью

Если нужно расшифровать запись или перевести произнесённое, IBM 21 октября представила три варианта Granite Speech. Новая 5.0 2B подходит для распознавания и перевода речи; обновлённая 5.0 TurboCTC 470M — для быстрой расшифровки; обновлённая 4.1 2B Plus — когда важно различать говорящих и видеть время слов. Это отдельные модели с разными задачами, а не три размера одной модели. s1

Что нового и какой вариант выбрать

Для перевода и сложной записи — Granite Speech 5.0 2B. IBM указывает шесть языков распознавания: английский, французский, немецкий, испанский, португальский и японский. Модель переводит речь между английским и этими языками, а также с английского на итальянский и китайский. Можно задать исходный язык и список специальных слов, например имён или названий; поддержка списка до 2000 терминов — заявление разработчика. Для длинной записи IBM рекомендует сначала делить аудио на фрагменты примерно до двух минут. Новые веса и карточка доступны на Hugging Face. s1 s2

Для быстрой расшифровки — Granite Speech 5.0 TurboCTC 470M. Это не новая модель с нуля: вариант, ранее работавший только с английским, 21 октября получил обновлённые веса для семи языков — английского, французского, немецкого, испанского, португальского, итальянского и японского. Выход теперь содержит пунктуацию и заглавные буквы. По оценке IBM на английском наборе коротких записей, доля ошибок в словах составила 5,51% против 5,78% у прежней версии. Это авторская оценка, не наш тест; карточка отдельно отмечает, что результат нового варианта ещё не является официальной записью в рейтинге. s1 s3

Для встреч — Granite Speech 4.1 2B Plus. Обновление сохраняет имя и формат запросов, но меняет веса. Модель может помечать, кто говорит, и ставить временные метки словам. Это полезно при разборе интервью и встреч, однако карточка предупреждает: в отличие от базовой 4.1 она не расставляет пунктуацию и заглавные буквы. Не стоит считать обновление безусловным улучшением всех режимов: в сравнении IBM средняя доля ошибок обычной расшифровки на новом наборе тестов выросла с 6,01% до 6,10%, тогда как некоторые специализированные замеры улучшились. s1 s4

Что доступно для локального запуска

У всех трёх вариантов опубликованы файлы весов и карточки с примерами для Transformers; доступ к этим репозиториям не закрыт. Карточка 5.0 2B также описывает llama.cpp, vLLM и mlx-audio на Mac, а TurboCTC — Transformers и mlx-audio. В репозитории IBM есть отдельный пакет кода granite-speech, но его текущая инструкция по умолчанию загружает 4.1 2B: не путайте её с подтверждением запуска 5.0 через этот пакет. Лицензия весов в карточках — Apache 2.0, лицензия упомянутого репозитория кода также Apache 2.0; условия конкретных сторонних программ проверяйте отдельно. s2 s3 s4 s5

Например, для французской записи с названием фирмы в 5.0 2B можно указать язык и название в подсказке, затем сравнить готовый текст со звуком: не пропущено ли имя и не изменён ли смысл перевода. Это пример задачи, не результат прогона Modelium. Размер весов не равен требованию к оперативной памяти; универсальный минимум для домашнего компьютера IBM в этих карточках не приводит. Русский язык не назван среди поддерживаемых — для русской записи эти модели пока не следует выбирать по одному лишь анонсу. Начните с карточки варианта под вашу задачу и проверьте короткий собственный фрагмент, прежде чем обрабатывать большой архив. s2 s3 s4

Источники проверены 21 октября 2026 года; поддержка и оценки выше относятся к указанным ревизиям карточек, а не к самостоятельно воспроизведённому запуску.