Granite Speech 5.0: локальная расшифровка аудио прямо в браузере

Что доступно сейчас

IBM опубликовала три части преобразованной 4-битной модели Granite Speech 5.0 2B и приложение на Transformers.js 4.3.2. WebGPU — способ дать браузеру выполнять вычисления на видеокарте. Интерфейс демонстрации предлагает запись с микрофона, загрузку аудиофайла, получение текста и перевод речи. Его собственная подсказка ориентирована на настольные Chrome 113+ и Edge 113+ с доступным WebGPU; универсальную совместимость со всеми браузерами обещать нельзя. s1 s2 s5

Заявленные разработчиком языки распознавания: английский, французский, немецкий, испанский, португальский и японский. Русский в этом перечне отсутствует — не выбирайте эту модель как подтверждённое решение для русскоязычной записи. Перевод в интерфейсе также не означает, что модель понимает речь на любом исходном языке. s3 s2

Как попробовать и проверить результат

Откройте официальную демонстрацию IBM на настольном компьютере с Chrome или Edge. Дождитесь загрузки модели, выберите расшифровку и загрузите короткий файл на одном из заявленных языков либо разрешите доступ к микрофону. После обработки появится текст; сверьте в нём имена, числа и время с исходным аудио. Например, для собственной английской заметки о встрече проверьте, верно ли распознаны день недели и время, а не только общий смысл. Это путь по опубликованному интерфейсу, не испытание редакции Modelium на конкретном компьютере. s2

Первоначальная загрузка требует сети. Код демонстрации загружает JavaScript-библиотеки через CDN и веса с Hugging Face; приложение выполняет распознавание в браузере, но это само по себе не доказывает гарантированный офлайн-режим после отключения сети. Проект не даёт в этих источниках проверенного минимального объёма оперативной или видеопамяти: размер файлов модели нельзя принимать за такое требование. s2 s1

Какие ограничения важно знать

Это новая браузерная конверсия уже вышедшей Granite Speech 5.0, а не новая базовая модель. Официальный код демонстрации содержит временную поправку для несовпадения числа аудиопризнаков и служебных токенов: при расхождении он обрезает признаки либо дополняет их. Поэтому точность и устойчивость для ваших длинных или сложных записей нельзя выводить из факта доступности веб-страницы. Автор ONNX-конверсии приводит оценку на небольшом англоязычном наборе из 73 высказываний; Modelium этот результат не воспроизводил. s1 s2

Карточки базовой модели и ONNX-варианта помечены Apache 2.0; в репозитории кода IBM лежит Apache-2.0 LICENSE. Эти отметки относятся к соответствующим весам и коду, а не автоматически ко всем зависимостям браузерного приложения. Для других условий использования изучайте лицензии отдельных компонентов. s1 s3 s4

Если нужен подробный обзор возможностей самой модели, а не нового способа открыть её в браузере, перейдите к материалу о Granite Speech 5.0. Перед использованием для важной записи всегда сверяйте текст с аудио. s3