IBM datuje wydanie modelu Granite Speech 5.0 2B na 20 października 2026 roku. Model ma 2 mld parametrów, licencję Apache 2.0 i służy do rozpoznawania oraz tłumaczenia mowy. IBM wymienia sześć języków transkrypcji, ale na tej liście nie ma polskiego.
Transkrypcja i kierunki tłumaczenia
ASR, czyli automatyczne rozpoznawanie mowy, obsługuje angielski, francuski, niemiecki, hiszpański, portugalski i japoński. W tłumaczeniu IBM podaje następujące kierunki:
| Udokumentowany kierunek | Języki |
| Z angielskiego i na angielski | francuski, niemiecki, hiszpański, portugalski, japoński |
| Z angielskiego | włoski |
| Z angielskiego | mandaryński |
Dla włoskiego i mandaryńskiego IBM wymienia tłumaczenie z angielskiego. Nie należy więc zakładać, że model tłumaczy między każdą parą obsługiwanych języków.
Architektura i wskazówki dotyczące audio
IBM opisuje 16-blokowy enkoder Conformer trenowany metodą CTC oraz dwuwarstwowy moduł q-former, który przekazuje przetworzone reprezentacje audio do modelu językowego. Całość zmniejsza rozdzielczość czasową sygnału dziesięciokrotnie i dostarcza modelowi reprezentacje o częstotliwości 10 Hz.
Do najlepszych wyników IBM zaleca dzielić dłuższe nagrania na segmenty trwające około dwóch minut lub krócej. W przypadku formatu GGUF rekomenduje kwantyzację Q8_0. Według IBM niższe poziomy kwantyzacji obniżają dokładność przy nagraniach dłuższych niż około minuta. To osobna wskazówka dotycząca kwantyzacji, a nie zmiana zalecanej długości segmentu.
Co mierzą raportowane wyniki
MarkTechPost podał, że w zestawieniu Open ASR z 21 października 2026 roku Granite Speech 5.0 2B uzyskał średni angielski WER na poziomie 5,68% w dziewięciu publicznych i dwóch prywatnych zestawach testowych. WER, czyli wskaźnik błędów słów w transkrypcji, wyniósł w tym zestawieniu 5,40% dla Qwen3-ASR-1.7B.
MarkTechPost przypisał IBM osobny wynik 5,06% dla publicznych zestawów krótkich nagrań, datowany na 15 października 2026 roku. To inna ewaluacja niż wynik Open ASR z 21 października, obejmujący także zestawy prywatne. W kolejnym zestawieniu, FFASR z 18 października, MarkTechPost podał dla Granite średni WER 14,80% i 4. miejsce wśród 42 modeli. FFASR obejmuje warunki z szumem i pogłosem.
Jak wypróbować i uruchomić model
IBM udostępnia hostowany Hugging Face Inference Endpoint z API zgodnym z OpenAI. Nie trzeba w tym celu instalować wag lokalnie. Endpoint skaluje się do zera po okresie bezczynności, więc pierwsze żądanie może uruchamiać się przez kilka minut.
Do uruchomienia lokalnego IBM wymienia Transformers, vLLM, llama.cpp w formacie GGUF oraz mlx-audio dla komputerów Apple Silicon. Przykładowy kod IBM dla Transformers przyjmuje dźwięk mono o częstotliwości próbkowania 16 kHz.
Prompty i ograniczenia wyników
IBM przeznacza model do rozpoznawania i tłumaczenia mowy. Przy niepoprawnym lub nieznanym promptcie model wraca do transkrypcji. IBM zaleca łączyć go z Granite Guardian do wykrywania ryzyka w promptach i odpowiedziach oraz ostrzega, że wyniki mogą być niedokładne, stronnicze, obraźliwe lub niepożądane.
