A IBM lançou o Granite Speech 5.0 2B em 20 de outubro de 2026. O modelo de 2 bilhões de parâmetros, licenciado sob Apache 2.0, transcreve fala em seis idiomas e traduz entre inglês e cinco deles, além de traduzir do inglês para italiano e mandarim. Desenvolvedores também podem acessá-lo por um endpoint hospedado ou executá-lo em ambientes locais compatíveis.
O que o Granite Speech 5.0 2B faz
A IBM lista inglês, francês, alemão, espanhol, português e japonês para reconhecimento automático de fala (ASR, na sigla em inglês). Para tradução de fala, as direções indicadas são mais específicas:
| Direção de tradução | Idiomas |
| Entre inglês e cada idioma | Francês, alemão, espanhol, português e japonês |
| Do inglês para | Italiano e mandarim |
A documentação da IBM também descreve a arquitetura: um codificador Conformer com 16 blocos e treinamento CTC processa o áudio; depois, um q-former de duas camadas reduz a sequência temporal em 10 vezes, produzindo representações acústicas a 10 Hz para o modelo de linguagem.
O que os benchmarks medem
WER, ou taxa de erro de palavras, mede a proporção de palavras transcritas incorretamente em relação ao texto de referência. Segundo a MarkTechPost, o resultado de 5,68% atribuído ao Open ASR Leaderboard correspondia à média em inglês de nove conjuntos públicos e dois privados, na avaliação de 21 de outubro de 2026. Na mesma fotografia do ranking, o Qwen3-ASR-1.7B aparecia com 5,40%.
A MarkTechPost também atribuiu à IBM uma média de 5,06% em conjuntos públicos de áudio curto, datada de 15 de outubro. Esse número se refere a outra avaliação, com escopo diferente. Em uma medição separada do FFASR, a publicação reportou média WER de 14,80% e quarto lugar entre 42 modelos, com resultados de 18 de outubro. Para o conjunto CommonVoice, a MarkTechPost reportou WER de 2,60% em português.
Como testar e executar o modelo
A IBM disponibiliza um endpoint hospedado no Hugging Face com API compatível com OpenAI. O serviço escala a zero quando fica ocioso, então a primeira solicitação pode levar alguns minutos para iniciar. Para execução local, a IBM lista Transformers, vLLM, llama.cpp com GGUF e mlx-audio para Apple Silicon.
Para obter melhores resultados, a IBM recomenda dividir gravações longas em trechos de cerca de dois minutos ou menos. No formato GGUF, recomenda a quantização Q8_0; a empresa informa que quantizações com menos bits perdem precisão em áudios com mais de aproximadamente um minuto.
Ray Codes mostra em inglês uma instalação local em Python e exemplos de transcrição e tradução do francês para o inglês.
Prompts e limites de uso
A IBM recomenda o modelo para transcrição e tradução. Segundo a empresa, prompts malformados ou desconhecidos fazem o sistema retornar à transcrição. A IBM também recomenda combinar o modelo com o Granite Guardian para detectar e sinalizar riscos em prompts e respostas, e alerta que as saídas podem ser imprecisas, enviesadas, ofensivas ou indesejadas.
