IBM datiert die Veröffentlichung von Granite Speech 5.0 2B auf den 20. Oktober 2026. Das Sprachmodell mit zwei Milliarden Parametern erkennt Sprache automatisch in sechs Sprachen und übersetzt gesprochene Sprache in festgelegten Richtungen. IBM veröffentlicht es unter der Apache-2.0-Lizenz.
Welche Sprachen Granite Speech 5.0 2B unterstützt
Für die automatische Spracherkennung (ASR) nennt IBM Englisch, Französisch, Deutsch, Spanisch, Portugiesisch und Japanisch. Bei der Sprachübersetzung sind die dokumentierten Richtungen enger gefasst: Für Französisch, Deutsch, Spanisch, Portugiesisch und Japanisch ist die Übersetzung jeweils von und nach Englisch aufgeführt. Zusätzlich nennt IBM Übersetzungen von Englisch nach Italienisch und Mandarin.
| Ausgangssprache | Zielsprache |
| Französisch, Deutsch, Spanisch, Portugiesisch, Japanisch | Englisch |
| Englisch | Französisch, Deutsch, Spanisch, Portugiesisch, Japanisch |
| Englisch | Italienisch, Mandarin |
Wie IBM das Sprachmodell aufgebaut hat
Granite Speech 5.0 2B verbindet einen Sprachencoder aus 16 Conformer-Blöcken mit einem zweischichtigen q-former-Projektor und einem Sprachmodell. Der Encoder nutzt CTC, ein Verfahren zur Zuordnung von Audiosignalen zu Text. Der Projektor reduziert die zeitliche Auflösung des Audiosignals, bevor die akustischen Einbettungen an das Sprachmodell gehen.
IBM empfiehlt, Aufnahmen für möglichst gute Ergebnisse in Abschnitte von etwa zwei Minuten oder kürzer zu teilen. Für die GGUF-Variante empfiehlt IBM die Quantisierung Q8_0. Bei niedrigeren Bitbreiten könne die Genauigkeit mit Audioschnipseln von mehr als etwa einer Minute abnehmen.
Was die gemeldeten WER-Werte aussagen
Die Wortfehlerrate (WER) gibt an, welcher Anteil der Wörter in einer Transkription falsch erkannt wurde; niedrigere Werte sind in diesem Maß besser. MarkTechPost berichtete für den Open ASR Leaderboard-Snapshot vom 21. Oktober 2026 einen durchschnittlichen englischen WER von 5,68 Prozent für Granite Speech 5.0 2B über neun öffentliche und zwei private Testdatensätze. Für Qwen3-ASR-1.7B nannte der Bericht 5,40 Prozent.
| Auswertung | Granite Speech 5.0 2B | Vergleichsmodelle | Stand und Umfang |
| Open ASR, durchschnittlicher englischer WER | 5,68 % | Qwen3-ASR-1.7B: 5,40 % | 21. Oktober 2026; neun öffentliche und zwei private Datensätze |
| FFASR, durchschnittlicher WER | 14,80 % | Qwen3-ASR-1.7B: 13,41 %; Cohere Transcribe 03-2026: 15,03 % | 18. Oktober 2026; verrauschte und hallige Sprache |
Ein weiterer von MarkTechPost berichteter Durchschnitt beträgt 5,06 Prozent. Er bezieht sich auf öffentliche Kurzform-Datensätze und ist auf den 15. Oktober 2026 datiert. Dieser Wert beschreibt einen anderen Testumfang als der Open-ASR-Snapshot.
Modell testen und lokal ausführen
Wer das Modell zunächst ohne lokale Installation ausprobieren möchte, kann den von IBM beschriebenen gehosteten Hugging-Face-Inference-Endpoint nutzen. Die Schnittstelle ist mit der OpenAI-API kompatibel. Im Leerlauf fährt der Endpoint auf null herunter; beim ersten Aufruf kann der Start deshalb einige Minuten dauern.
Für den lokalen Betrieb nennt IBM Transformers, vLLM, llama.cpp mit GGUF sowie mlx-audio für Apple-Silicon-Geräte. Ray Codes zeigt in einem englischsprachigen Screencast eine lokale Einrichtung mit Python und führt Transkriptions- und Übersetzungsbeispiele vor, darunter eine Übersetzung aus dem Französischen ins Englische.
Was IBM zu Prompts und Ausgaben festhält
IBM empfiehlt Granite Speech 5.0 2B für Spracherkennung und Sprachübersetzung. Unbekannte oder fehlerhafte Prompts führen laut IBM zur Transkription zurück. IBM weist außerdem darauf hin, dass die Ausgaben ungenau, voreingenommen, anstößig oder unerwünscht sein können, und empfiehlt Granite Guardian zur Erkennung von Risiken in Prompts und Antworten.
