IBM 喺 2026 年 10 月 21 日更新咗三個 Granite Speech 語音模型：新發布嘅 granite-speech-5.0-2b，同已上線模型 granite-speech-5.0-470m-turboctc 同 granite-speech-4.1-2b-plus 嘅升級版。三條線各管一範：高準確度嘅多語言轉寫同翻譯、邊緣端高速轉寫、以及需要分曉「邊個講、幾時講」嘅多講者錄音。
主力新模型 granite-speech-5.0-2b 係 granite-speech-4.1-2b 嘅繼任，參數相同。佢能轉寫英、法、德、西、葡、日六種語言，並喺呢啲語言同英語之間互譯，另加英語到意大利語、普通話。IBM 稱訓練料包括 39 萬小時公開音訊，加上專為日文 ASR（自動語音轉寫）、關鍵詞偏置同翻譯造嘅合成數據。
相比 4.1，官方列咗五項改善：英文短文 WER（字錯率）降低、抗噪同遠場麥克風處理更穩；可在提示詞指明輸入語言以引導多語言轉寫；長文同口語翻譯更穩定；可載入最多 2,000 詞嘅關鍵詞清單，偏置產品名、人名同縮寫；可依提示要求加標點及首字母大寫，官方測試集首字母大寫 F1 介乎 89.7 至 99.5。
授權同部署方面呢個最關鍵：模型以 Apache 2.0 發布，權重公開，並支援 Transformers、vLLM、llama.cpp，以及 Apple Silicon 嘅 mlx-audio。IBM 稱喺 Open ASR Leaderboard 嘅公開英文短文測試集，平均 WER 5.06%、排第 2，但明言數據係「非官方」、截至 2026 年 10 月 15 日。
Turbo CTC 係 8 月推出嘅 470M 參數編解器，原本只識英文、主打速度。今次改版加入多語言（日、西、德、法、意、葡）、原生標點同大寫、針對迴聲訓練。IBM 話透過編譯單一 Conformer block 並重複使用其圖，將 Open ASR Leaderboard 上 RTFx 由約 12,600 提升到 19,870，約快 1.6 倍而準確度維持。
granite-speech-4.1-2b-plus 則針對會議、客服同長訪談等多講者場景。佢保留 4.1 命名，因架構、提示格式同 API 不變，可即插即用。官方稱講者標註（speaker attribution）改善，WDER（講者分詞錯率）降 7%。
模姐驗嚇貨：呢係廠商發布稿，全部跑分同指標均出自 IBM 單方，未見獨立第三方驗證；「#2」「1.6 倍」「WDER 降 7%」都只係廠商聲稱。對用户真係有用嘅幾點：Apache 2.0 開放權重、可本地跑、有 Apple Silicon 支援——呢啲係可實證嘅。至於準確排第幾、快幾倍，要等獨立測試先可以講。
模姐｜深度調教
