IBM ha rilasciato Granite Speech 5.0 2B il 20 ottobre 2026. Il modello, con 2 miliardi di parametri e licenza Apache 2.0, trascrive il parlato in sei lingue e traduce l’audio nelle direzioni indicate da IBM. Gli sviluppatori possono provarlo tramite un endpoint ospitato oppure eseguirlo in diversi ambienti locali.
Che cosa fa Granite Speech 5.0 2B
Per il riconoscimento automatico del parlato (ASR), IBM elenca inglese, francese, tedesco, spagnolo, portoghese e giapponese. Le direzioni di traduzione indicate sono più circoscritte: il modello traduce da e verso l’inglese per cinque di queste lingue, mentre per italiano e mandarino IBM indica la traduzione dall’inglese.
| Direzione di traduzione | Lingue di destinazione |
| Da e verso l’inglese | Francese, tedesco, spagnolo, portoghese e giapponese |
| Dall’inglese | Italiano e mandarino |
Queste direzioni aiutano a controllare se il modello copre la coppia linguistica richiesta: l’elenco non implica che sia possibile tradurre direttamente tra tutte le lingue o in entrambe le direzioni per ogni lingua.
Come è costruito e quali indicazioni dà IBM sull’audio
IBM descrive un encoder vocale composto da 16 blocchi Conformer, seguito da un proiettore q-former a due livelli. La sequenza acustica viene ridotta di 10 volte e fornita al modello linguistico sotto forma di rappresentazioni a 10 Hz.
Per ottenere i risultati migliori, IBM consiglia di suddividere l’audio in segmenti di circa due minuti o meno. Per i file GGUF raccomanda la quantizzazione Q8_0; la scheda IBM avverte inoltre che le quantizzazioni con meno bit perdono accuratezza su audio più lungo di circa un minuto.
Che cosa misurano i benchmark riportati
Il tasso di errore delle parole (WER) misura la quota di parole trascritte in modo errato rispetto a una trascrizione di riferimento: nei test, un valore più basso indica meno errori. Secondo i risultati riportati da MarkTechPost, il 21 ottobre 2026 Granite Speech 5.0 2B ha ottenuto un WER medio in inglese del 5,68% su nove insiemi pubblici e due privati dell’Open ASR Leaderboard.
MarkTechPost riporta anche una diversa cifra IBM: 5,06% sui soli insiemi pubblici di parlato breve, con data 15 ottobre 2026. I due valori riguardano valutazioni con date e ambiti differenti. Per un’altra prova, FFASR, MarkTechPost riporta un WER medio del 14,80% e il quarto posto su 42 modelli al 18 ottobre 2026.
Come provarlo, in cloud o in locale
IBM mette a disposizione un Hugging Face Inference Endpoint con API compatibile con OpenAI, così si può inviare una richiesta senza installare prima i pesi del modello. L’endpoint va a zero quando è inattivo, quindi la prima richiesta può richiedere alcuni minuti per avviarsi.
Per l’esecuzione locale, IBM documenta Transformers, vLLM, llama.cpp con GGUF e mlx-audio per Apple Silicon. La dimostrazione in inglese di Ray Codes mostra un’installazione locale in Python e prove di trascrizione e traduzione dal francese all’inglese.
Prompt e possibili limiti degli output
IBM raccomanda il modello per la trascrizione e la traduzione vocale. Se riceve un prompt non riconosciuto o malformato, la scheda indica che torna alla trascrizione. IBM segnala inoltre che i risultati possono essere inaccurati, distorti, offensivi o indesiderati, e raccomanda Granite Guardian per rilevare e segnalare rischi nei prompt e nelle risposte.
