IBM 发 Granite Speech 5.0：2B 语音模型英文均 WER 5.06%

IBM 10 月 21 日在 Hugging Face 更新 Granite Speech 系列，一次给出三个模型：新的 granite-speech-5.0-2b，以及 granite-speech-5.0-470m-turboctc 与 granite-speech-4.1-2b-plus 的修订版。新 2B 与 4.1 2B 参数相同，训练用 39 万小时公开音频加合成数据，覆盖英法德西葡日六种语言的转写与互译，另有英语到意大利语与普通话。官方给的自评是：开源权重 ASR 里英文平均 WER 5.06%，排第二（Open ASR Leaderboard 公开短音频测试集，截至 10 月 15 日，非官方排名）。

增量主要落在「可控」上：提示里能指定输入语种；关键词偏置上限提到 2,000 项；要求时才输出标点与大小写，官方给的 capitalization F1 在 89.7–99.5 之间。470M 的 Turbo CTC 这次转多语（七种），靠复用单个 Conformer 的计算图，把 Open ASR Leaderboard 的 RTFx 从发布时约 12,600 提到 19,870（约 1.6 倍）而准确率持平；4.1 2B Plus 侧重说话人归属，词级 diarization 错误率降 7%，因架构与提示格式不变，可直接替换旧模型。

授权与工具链是它更实用的部分：Apache 2.0，Transformers、vLLM、llama.cpp 与 Apple Silicon 上的 mlx-audio 都已支持。需要注意的是 5.06% 属厂商在公开测试集上的自评复算，没有第三方复现；本轮只读了 HF 博文与模型卡索引，没有跑推理验证这几个数字。

原文链接：IBM Granite 官方博客