IBM lanzó Granite Speech 5.0 2B para transcribir y traducir voz

IBM fecha el lanzamiento de Granite Speech 5.0 2B el 20 de octubre de 2026. Es un modelo denso de 2.000 millones de parámetros, con licencia Apache 2.0, pensado para transcribir voz y traducir audio. La ficha de IBM enumera seis idiomas para transcripción y especifica las direcciones de traducción, en lugar de dar por hecho que funciona cualquier combinación entre ellos.

Idiomas y direcciones de traducción

Granite Speech 5.0 2B transcribe audio en inglés, francés, alemán, español, portugués y japonés. Para traducción de voz, IBM indica traducción entre el inglés y francés, alemán, español, portugués y japonés en ambos sentidos. También incluye traducción del inglés al italiano y al mandarín.

La ficha no extiende las dos últimas direcciones al trayecto inverso. Para un proyecto en español, por ejemplo, IBM sí enumera la traducción entre español e inglés, además de la transcripción en ambos idiomas.

Arquitectura y recomendaciones para el audio

IBM describe un codificador de voz Conformer con 16 bloques, entrenado con CTC, y un proyector q-former de dos capas que reduce la secuencia acústica antes de pasarla al modelo de lenguaje. La reducción temporal total es de 10× y genera representaciones acústicas de 10 Hz para el modelo de lenguaje.

En su guía de uso, IBM recomienda dividir las grabaciones en segmentos de unos dos minutos como máximo para obtener mejores resultados. Para ejecutar la versión GGUF, recomienda la cuantización Q8_0; según IBM, las cuantizaciones de menos bits pierden precisión con audios de más de aproximadamente un minuto. Son indicaciones distintas: la primera se refiere a la duración de los segmentos y la segunda, a la precisión de cuantizaciones inferiores.

IBM documenta compatibilidad con Transformers, vLLM, llama.cpp en formato GGUF y mlx-audio para Apple Silicon. El ejemplo de IBM para Transformers espera audio mono a 16 kHz.

Qué miden las cifras publicadas

WER, siglas de word error rate, es la tasa de error por palabra: cuanto menor es, menos errores de transcripción registra la evaluación. MarkTechPost informó de un promedio de WER del 5,68 % en inglés para Granite Speech 5.0 2B en una instantánea del Open ASR Leaderboard del 21 de octubre de 2026. El cálculo abarcaba nueve conjuntos de prueba públicos y dos privados. En la misma comparativa, Qwen3-ASR-1.7B aparecía con un 5,40 %.

MarkTechPost también atribuyó a una entrada de IBM un promedio del 5,06 % en conjuntos públicos de audio breve, con fecha del 15 de octubre de 2026. Es una medición con otra fecha y otro alcance. Para voz con ruido y reverberación, MarkTechPost informó de un 14,80 % de WER y el cuarto puesto entre 42 modelos en resultados de FFASR fechados el 18 de octubre.

La evaluación de palabras clave en Earnings-22 ofrece otra medida: MarkTechPost atribuyó a IBM una F1 de 67,2 sin sesgo por palabras clave, 90,1 con listas correctas y 82,8 con una lista de 2.000 términos que mezclaba palabras correctas e incorrectas. Esta F1 mide la identificación de palabras clave transcritas en ese conjunto.

Cómo probarlo en la nube o ejecutarlo en local

IBM documenta un endpoint de inferencia alojado en Hugging Face con una API compatible con OpenAI. Permite probar el modelo sin instalar antes sus pesos. El endpoint se detiene cuando queda inactivo, por lo que IBM advierte de que la primera solicitud puede tardar unos minutos en arrancar. Para ejecutarlo localmente, la ficha enumera Transformers, vLLM, llama.cpp y mlx-audio.

Ray Codes muestra en inglés una instalación local con Python y ejemplos de transcripción y traducción del francés al inglés.

Instrucciones y cautelas de uso

IBM recomienda Granite Speech 5.0 2B para reconocimiento de voz y traducción. Según la ficha, las instrucciones desconocidas o malformadas hacen que el modelo vuelva a la transcripción. IBM también recomienda combinarlo con Granite Guardian para detectar riesgos en las instrucciones y las respuestas, y advierte de que las salidas pueden ser inexactas, sesgadas, ofensivas o no deseadas.