IBM发布Granite Speech 5.0：开源语音模型提升准确率与多说话人归属

IBM于2026年10月21日发布了Granite Speech 5.0系列语音模型，包括全新的granite-speech-5.0-2b以及更新版的granite-speech-5.0-470m-turboctc和granite-speech-4.1-2b-plus。这一系列模型旨在覆盖企业级语音工作的全范围需求，从高精度转录翻译到边缘端极速处理，再到复杂的多说话人录音分析。所有模型均采用Apache 2.0许可证发布，并原生支持Transformers、vLLM等主流框架。

旗舰模型granite-speech-5.0-2b是此前4.1版本的继任者，参数量保持2B不变。它在英语短文本自动语音识别（ASR）基准测试中表现更佳，特别是在噪声、混响和远场麦克风环境下鲁棒性更强。该模型支持英语、法语、德语、西班牙语、葡萄牙语和日语的转录与翻译，并引入了语言ID提示功能，允许用户在提示词中指定输入语言以引导多语言转录。此外，它支持最多2,000个术语的关键词偏置，有助于提高产品名、人名和缩写的识别准确率。根据Open ASR Leaderboard的数据，该模型在平均英语WER（词错误率）上排名开源权重模型第二，达到5.06%。

针对高吞吐量和设备端部署，更新的granite-speech-5.0-470m-turboctc模型在保持470M参数规模的同时，新增了多语言支持（包括英、日、西、德、法、意、葡）以及原生的标点和大小写恢复功能。通过编译单个Conformer块并复用其计算图，该模型的推理速度提升至19,870 RTFx（实时因子），相比初代约12,600 RTFx提升了约1.6倍，同时保持了相同的准确率水平。这意味着在同等硬件条件下，它可以处理更多的并发请求或在更低功耗的设备上运行。

对于会议记录和客服通话等多说话人场景，granite-speech-4.1-2b-plus进行了针对性优化。虽然架构和API保持不变，但新权重显著改善了说话人归属和时间戳精度。数据显示，字级说话人分离错误率（WDER）降低了7%，带说话人标签的词错误率（cpWER）也下降了7%。平均时间戳偏移（AAS）减少了一半以上，使得字幕生成和搜索定位更加精准。在长音频测试集上，词错误率（WER）降低了24%，而在20个术语的关键词偏置列表中，相关错误率下降了45%。这些改进使得该模型在处理长时间、多人交替发言的录音时更具实用性。