IBM a lancé Granite Speech 5.0 2B le 20 octobre 2026. Ce modèle de 2 milliards de paramètres transcrit la parole dans six langues et prend en charge des directions de traduction précises. IBM le distribue sous licence Apache 2.0.
Langues transcrites et directions de traduction
La reconnaissance automatique de la parole (ASR) est disponible en anglais, français, allemand, espagnol, portugais et japonais. Pour la traduction vocale, IBM indique les directions suivantes :
| Direction | Langues |
| De l’anglais vers ces langues et inversement | Français, allemand, espagnol, portugais, japonais |
| De l’anglais vers | Italien |
| De l’anglais vers | Mandarin |
IBM ne décrit pas de traduction de l’italien ou du mandarin vers l’anglais dans ces directions. La liste permet donc de vérifier une paire de langues précise plutôt que de supposer que le modèle traduit entre toutes les langues prises en charge.
Architecture et traitement des fichiers audio
IBM décrit un encodeur Conformer de 16 blocs, entraîné avec la méthode CTC, suivi d’un q-former à deux couches. L’ensemble réduit la résolution temporelle de l’audio d’un facteur 10 et transmet au modèle de langage des représentations acoustiques à 10 Hz.
Pour obtenir de meilleurs résultats, IBM recommande de découper les enregistrements en segments d’environ deux minutes ou moins, par exemple avec un outil de détection de l’activité vocale. Pour le format GGUF, IBM recommande la quantification Q8_0. La fiche du modèle indique que les quantifications de précision inférieure perdent en précision sur les extraits de plus d’une minute.
Ce que mesurent les résultats publiés
Le taux d’erreur de mots (WER) mesure la part de mots mal reconnus ; un taux plus faible correspond à moins d’erreurs. MarkTechPost rapporte un WER moyen de 5,68 % pour Granite Speech 5.0 2B sur l’Open ASR Leaderboard au 21 octobre 2026, pour neuf jeux de données publics et deux jeux privés. Le même relevé attribue 5,40 % à Qwen3-ASR-1.7B.
MarkTechPost rapporte aussi une autre valeur issue d’un billet d’IBM daté du 15 octobre : 5,06 % de WER moyen sur des jeux publics de courts extraits. Les dates et périmètres diffèrent entre ces deux résultats. MarkTechPost donne également un WER moyen de 14,80 % sur le classement FFASR au 18 octobre, où le modèle figurait au quatrième rang sur 42.
Essayer le modèle sans installation locale
IBM décrit un endpoint d’inférence hébergé sur Hugging Face, doté d’une API compatible avec OpenAI. L’endpoint passe à zéro lorsqu’il est inactif ; la première requête peut donc prendre plusieurs minutes à démarrer. Pour une exécution locale, IBM documente Transformers, vLLM, llama.cpp au format GGUF et mlx-audio sur Apple Silicon.
Ray Codes montre dans sa démonstration en anglais l’installation locale, un flux de transcription et des exemples de traitement multilingue, dont une traduction du français vers l’anglais.
Prompts et précautions sur les sorties
IBM recommande Granite Speech 5.0 2B pour la transcription et la traduction. Selon sa fiche, un prompt mal formé ou inhabituel ramène le modèle à la transcription. IBM recommande Granite Guardian pour repérer les risques dans les prompts et les réponses, et prévient que les sorties peuvent être inexactes, biaisées, offensantes ou indésirables.
