Όταν ακούει ένα καθαρά διαβασμένο ηχητικό βιβλίο, το νέο μοντέλο ομιλίας της IBM κάνει λάθος σε λιγότερο από μία λέξη στις εκατό. Σε μια πραγματική κουβέντα, το ποσοστό ανεβαίνει σχεδόν στο 14%. Η απόσταση ανάμεσα στα δύο νούμερα δείχνει τι μπορεί και τι δεν μπορεί ακόμη να κάνει το Granite Speech 5.0 2B, ένα ανοιχτό μοντέλο που μετατρέπει ομιλία σε κείμενο σε έξι γλώσσες και μεταφράζει.
Το μοντέλο έχει 2 δισεκατομμύρια παραμέτρους, τις εσωτερικές τιμές που ρυθμίζονται κατά την εκπαίδευση, μέγεθος μικρό για τα σημερινά δεδομένα. Κυκλοφορεί με άδεια Apache 2.0, που επιτρέπει ελεύθερη χρήση και τροποποίηση, και για εμπορικούς σκοπούς. Είναι μοντέλο ανοιχτών βαρών: όποιος θέλει το κατεβάζει και το τρέχει στο δικό του μηχάνημα, σε κάρτα γραφικών, σε Mac με τσιπ Apple Silicon ή σε απλό επεξεργαστή. Η IBM προτείνει να του δίνονται κομμάτια ήχου έως περίπου δύο λεπτά.
Δεύτερο στην κατάταξη, με δύο διαφορετικά νούμερα
Στο Open ASR Leaderboard, μια δημόσια κατάταξη μοντέλων αναγνώρισης ομιλίας, το Granite Speech 5.0 2B είναι δεύτερο ανάμεσα στα ανοιχτά μοντέλα. Ο μέσος δείκτης λαθών του στα αγγλικά, το ποσοστό λέξεων που μεταγράφει λάθος, είναι 5,68% σε έντεκα σύνολα δοκιμών, με στοιχεία της 21ης Οκτωβρίου. Καλύτερα τα πάει μόνο το Qwen3-ASR-1.7B, με 5,40%. Όπως επισημαίνει το MarkTechPost, το ιστολόγιο της IBM αναφέρει 5,06%, αλλά αυτό είναι ανεπίσημο νούμερο παλιότερης ημερομηνίας, που μετρά μόνο δημόσια σύνολα με σύντομα αποσπάσματα.
Σε θορυβώδη ήχο, σε άλλη κατάταξη, το μοντέλο βγαίνει τέταρτο στα 42 με 14,80%, πάλι πίσω από το Qwen3-ASR. Στις άλλες γλώσσες, τα πορτογαλικά πέφτουν στο 2,60% λαθών και τα ισπανικά στο 3,50%, ενώ τα ιαπωνικά είναι η πιο αδύναμη γλώσσα, με 10,74%. Στη μετάφραση προς τα αγγλικά, ο δείκτης BLEU, που μετρά πόσο μοιάζει η μετάφραση με ανθρώπινη, φτάνει το 53,6 για τα πορτογαλικά και το 40,1 για τα γερμανικά. Η μετάφραση από αγγλικά σε μανδαρινικά δεν αξιολογήθηκε.
Λίστες 2.000 λέξεων για ονόματα και ακρωνύμια
Η πιο χρήσιμη προσθήκη σε σχέση με το Granite Speech 4.1 είναι οι λίστες λέξεων-κλειδιών. Ο χρήστης δίνει έως 2.000 όρους, όπως ονόματα προϊόντων, ανθρώπων ή ακρωνύμια, και το μοντέλο τους προτιμά όταν ακούει κάτι παρόμοιο. Στο σύνολο δοκιμών Earnings-22, με ηχογραφήσεις τηλεδιασκέψεων εταιρικών αποτελεσμάτων, η σωστή αναγνώριση τέτοιων όρων ανέβηκε από 67,2 σε 90,1 με σωστές λίστες. Ακόμη και με λίστες που ανακάτευαν σωστούς και λάθος όρους, έφτασε στο 82,8.
Ο χρήστης μπορεί επίσης να δηλώσει τη γλώσσα του ήχου για να κατευθύνει τη μεταγραφή και να ζητήσει στίξη και κεφαλαία. Η IBM λέει ότι το μοντέλο αντέχει καλύτερα τον θόρυβο, την αντήχηση και τα μικρόφωνα που βρίσκονται μακριά από τον ομιλητή. Εκπαιδεύτηκε σε 390.000 ώρες δημόσιου ήχου και σε συνθετικά δεδομένα, για 40 ημέρες σε οκτώ κάρτες H100 της Nvidia.
Αναβάθμιση και για δύο παλιότερα μοντέλα
Το Turbo CTC, μοντέλο 470 εκατομμυρίων παραμέτρων για συσκευές, καλύπτει πλέον επτά γλώσσες με στίξη και κεφαλαία. Επεξεργάζεται ήχο σχεδόν 20.000 φορές ταχύτερα από τον πραγματικό χρόνο, από περίπου 12.600 όταν πρωτοβγήκε. Το 4.1 2B Plus, που ξεχωρίζει ποιος μιλάει πότε, πήρε νέα βάρη: η απόκλιση στις χρονοσημάνσεις μειώθηκε περίπου στο μισό και τα λάθη σε μεγάλες ηχογραφήσεις έπεσαν από 13,53% σε 10,22%.
Για όσους θα το τρέξουν τοπικά με το llama.cpp υπάρχει μια προειδοποίηση. Η IBM προτείνει την έκδοση Q8_0, γιατί οι πιο συμπιεσμένες εκδόσεις, που χωρούν σε λιγότερη μνήμη, χάνουν ακρίβεια σε ήχο μεγαλύτερο από περίπου ένα λεπτό.
