IBM 发布 Granite Speech 5.0 2B 并更新 Turbo CTC 与 4.1 2B Plus

我们很高兴分享 IBM Granite Speech 系列的三项更新：一款新的语音语言模型 granite-speech-5.0-2b，以及社区已在使用的两款模型的修订版本 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。它们共同覆盖企业语音工作的完整范围：高精度转写与翻译、边缘端极速转写，以及说话人是谁、何时发言与所说内容同等重要的录音。

模型	状态	更新内容	最适合
`granite-speech-5.0-2b`	全新	更准确、抗噪声与抗混响的自动语音识别（ASR）、语言 ID 提示、2,000 词关键词偏置、更好的长篇翻译	高精度多语言转写与翻译
`granite-speech-5.0-470m-turboctc`	已更新	多语言、原生标点与大小写，并对噪声和混响更稳健	高吞吐与端侧转写
`granite-speech-4.1-2b-plus`	已更新	改进的说话人归属、时间戳、关键词偏置和长语音表现	会议、通话及其他多说话人录音

Granite Speech 5.0 2B：更准确、更稳健、更可控

granite-speech-5.0-2b 是 granite-speech-4.1-2b 的后继模型，参数量相同。它可转写英语、法语、德语、西班牙语、葡萄牙语和日语，并支持这些语言与英语之间的互译，以及英语到意大利语和普通话的翻译。它在 390,000 小时公开音频上训练，并辅以面向日语 ASR、关键词偏置和翻译构建的合成数据。

与 4.1 2B Speech 相比的更新内容：

更准确、更稳健的英语 ASR：在英语短音频基准测试上准确率更高，并能更好地处理噪声、混响和远距离麦克风语音。
语言 ID 提示：在提示中指定输入语言，以引导多语言转写。
更好的长篇与对话翻译：面对更长、更自然的语音时翻译依然可靠，而不只是短朗读句。
关键词列表最多 2,000 个词条：在所有支持的语言中，使转写和翻译偏向产品名、人名和缩写。
按需标点与大小写：在提示中要求格式化输出；在我们的测试集上，大小写 F1 介于 89.7 到 99.5。

该模型以 Apache 2.0 许可发布，并支持 Transformers、vLLM、llama.cpp，以及面向 Apple Silicon 的 mlx-audio。

图 1：granite-speech-5.0-2b 在顶级开放权重 ASR 模型中按平均英语 WER（5.06%）排名第 2。越低越好。结果为非官方数据，截至 2026 年 10 月 15 日，并对 Open ASR Leaderboard 的公开英语短音频测试集取平均。

Granite Speech 5.0 Turbo CTC：现已支持多语言、更稳健，甚至更快

当我们在八月推出 Turbo CTC时，它是一个仅支持英语、为速度而构建的 470M 参数编码器。本次修订保持这一规模，并加入用户最需要的三项能力：

多语言转写：英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语。
原生标点与大小写：转写结果可直接阅读，无需单独的标点或大小写还原步骤。
在困难声学条件下更稳健：专门针对混响音频的训练使 Turbo CTC 在有回声的房间和远场录音中更加稳健。

它的速度也更快。通过编译单个 Conformer 块并在整个堆栈中复用其计算图，我们缩短了预热时间，并将 Turbo CTC 在 Open ASR Leaderboard 上的速度提升至 19,870 RTFx，高于发布时约 12,600 RTFx：在相同准确率水平下大约快 1.6 倍。

图 2：Open ASR Leaderboard 上的平均 WER 与 RTFx 对比（英语短音频，9 个公开测试集，截至 2026 年 10 月）。WER 越低、RTFx 越高越好；RTFx 采用对数刻度。

Granite Speech 4.1 2B Plus：更擅长识别谁在何时说了什么

更新后的 granite-speech-4.1-2b-plus 针对企业实际拥有的录音进行了调优：会议、客服通话，以及多名说话人长时间进行的访谈。它保留 4.1 这一名称，是因为架构、提示格式和 API 均未改变，因此可作为当前模型的直接替代，并带有改进后的权重。本次修订在四个方面有所提升：

说话人归属：更准确地标注谁在说话。词级说话人分离错误率（WDER）下降 7%，说话人归属 WER（cpWER）整体下降 7%。
时间戳：平均时间戳偏移（AAS）降低一半以上，使字幕、搜索和审阅中的时间定位更加精确。
长语音性能：长语音测试集上的 WER 下降 24%。
关键词偏置：在包含 20 个词的关键词列表下，偏置关键词上的错误下降 45%。

能力	指标	上一版本	更新后的模型
时间戳，全部语音	AAS（平均时间戳偏移）	210.86	98.54
时间戳，短语音	AAS（平均时间戳偏移）	29.27	26.20
关键词偏置	偏置词 WER，20 词列表	11.79	6.48
长语音	WER，长语音测试集	13.53	10.22
说话人归属	WDER	4.40	4.10
带说话人归属的转写	cpWER	30.50	28.48

表 1：所有指标均为错误率，因此越低越好。更多详细结果请参阅模型卡。

开始使用

不确定该选哪个模型？从这里开始：

需要高转写准确率、翻译或关键词偏置？请使用 granite-speech-5.0-2b。
需要极致速度或端侧转写？请使用 granite-speech-5.0-470m-turboctc，并通过我们的 WebGPU 流式演示在浏览器中试用。
处理会议或多说话人通话？请使用 granite-speech-4.1-2b-plus。

这些模型均以 Apache 2.0 许可证发布，并在 Transformers 中提供原生支持。完整的评估结果、架构细节、训练数据和使用示例见各模型卡。对于需要额外风险检测的生产部署，我们建议将其与 Granite Guardian 搭配使用。

欢迎试用，并告诉我们你的看法！