A IBM publicou três atualizações à sua família Granite Speech, destinada a tarefas de voz em contexto empresarial. O artigo, datado de 21 de outubro de 2026, apresenta um novo modelo de 2 mil milhões de parâmetros para transcrição e tradução, uma versão Turbo CTC de menor dimensão e uma revisão do Granite Speech 4.1 2B Plus, orientada para gravações com vários interlocutores. Os dados de desempenho citados são apresentados pela IBM.

O novo granite-speech-5.0-2b sucede ao Granite Speech 4.1 2B, mantendo o mesmo número de parâmetros. Segundo a publicação, transcreve inglês, francês, alemão, espanhol, português e japonês, e traduz entre inglês e essas línguas, além de traduzir do inglês para italiano e mandarim. Foi treinado com 390 mil horas de áudio público e dados sintéticos, incluindo material para reconhecimento de japonês, enviesamento por palavras-chave e tradução.

A IBM destaca melhorias no reconhecimento de fala em inglês, incluindo perante ruído, reverberação e microfones distantes, bem como na tradução de conversas e gravações longas. É possível indicar a língua de entrada na instrução e fornecer listas de até 2.000 termos para favorecer nomes, acrónimos ou vocabulário específico. A empresa afirma que o modelo ocupa o segundo lugar entre os principais modelos de reconhecimento de fala de pesos abertos, com uma taxa média de erro de palavras (WER) de 5,06% em conjuntos públicos de inglês de curta duração. A classificação refere-se aos dados disponíveis em 21 de outubro de 2026.

A atualização do granite-speech-5.0-470m-turboctc mantém os 470 milhões de parâmetros e acrescenta transcrição em sete línguas: inglês, japonês, espanhol, alemão, francês, italiano e português. Segundo a IBM, o modelo passa a produzir pontuação e capitalização nativas e a lidar melhor com reverberação e gravações captadas à distância. No Open ASR Leaderboard, a velocidade indicada subiu de cerca de 12.600 para 19.870 RTFx — uma medida de velocidade de processamento —, mantendo, segundo a empresa, o mesmo nível de precisão. A comparação indicada pela publicação é relativa a testes públicos de inglês de curta duração.

Já o granite-speech-4.1-2b-plus foi ajustado para reuniões, chamadas de apoio e entrevistas longas com vários participantes. A IBM relata reduções de 7% na taxa de erro de diarização por palavra e na WER atribuída a cada interlocutor, além de uma redução superior a metade no desvio médio dos carimbos temporais. A taxa de erro em testes de fala longa terá caído 24%; com listas de 20 palavras-chave, os erros nesses termos diminuíram 45%. A arquitetura, o formato das instruções e a API mantêm-se, pelo que a empresa descreve esta versão como substituição direta da anterior.

O Granite Speech 5.0 2B é disponibilizado sob a licença Apache 2.0 e, de acordo com a publicação, tem suporte em Transformers, vLLM, llama.cpp e mlx-audio para Apple Silicon. A IBM apresenta as três atualizações como opções para diferentes necessidades: precisão e tradução multilingue, transcrição rápida no dispositivo e análise de gravações com vários interlocutores. Os resultados de precisão, velocidade e robustez mencionados são alegações da empresa, associadas aos testes e comparações descritos no artigo.

Porque importa

As atualizações abrangem tarefas distintas de voz — tradução, transcrição rápida e análise de conversas com vários participantes — e incluem suporte para português. Os números de desempenho divulgados devem ser lidos como resultados apresentados pela IBM.

Fontes

Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and FasterHugging Face ↗