IBM lanza Granite Speech 5.0 con transcripción más rápida y mejor seguimiento de hablantes

IBM ha lanzado tres actualizaciones a su colección Granite Speech, presentando un nuevo modelo de lenguaje del habla y revisando dos existentes para mejorar la precisión, la velocidad y la atribución de hablantes. Publicados el 21 de octubre de 2026, estos modelos de pesos abiertos buscan cubrir todo el espectro de tareas de voz empresariales, desde la transcripción de alta fidelidad hasta el procesamiento en tiempo real en el borde (edge).

Qué ocurrió

La pieza central de este lanzamiento es granite-speech-5.0-2b, un nuevo modelo que reemplaza a la versión anterior 4.1 con el mismo número de parámetros. Admite transcripción en inglés, francés, alemán, español, portugués y japonés, y ofrece capacidades de traducción entre estos idiomas e inglés, así como de inglés al italiano y al mandarín. El modelo fue entrenado con 390.000 horas de audio público, complementadas con datos sintéticos diseñados para mejorar el reconocimiento automático del habla (ASR) en japonés, el sesgo por palabras clave y el rendimiento de la traducción.

Junto con el nuevo modelo 2B, IBM actualizó granite-speech-5.0-470m-turboctc. Originalmente un codificador solo en inglés centrado en la velocidad, esta revisión añade soporte multilingüe para siete idiomas y puntuación y capitalización nativas. También presenta una mayor robustez frente al audio reverberante y las salas con eco. Mediante optimizaciones técnicas que compilan un único bloque Conformer y reutilizan su grafo, el modelo logró un aumento significativo de velocidad, alcanzando 19.870 RTFx en el Open ASR Leaderboard, frente a los aproximadamente 12.600 RTFx en su lanzamiento.

La tercera actualización se dirige a escenarios multi-hablante con granite-speech-4.1-2b-plus. Este modelo conserva la arquitectura y la API de su predecesor, pero ofrece pesos mejorados para una atribución de hablantes y una precisión de marcas de tiempo superiores. Está diseñado como un reemplazo directo (drop-in replacement) para empresas que gestionan reuniones, llamadas de soporte y entrevistas donde identificar quién habló y cuándo es crítico.

Cómo funciona

El nuevo modelo granite-speech-5.0-2b introduce indicaciones de identificación de idioma (language ID prompting), permitiendo a los usuarios especificar el idioma de entrada para orientar la transcripción multilingüe. También admite listas de sesgo por palabras clave de hasta 2.000 términos, lo que permite al modelo priorizar nombres de productos, personas o acrónimos específicos durante la transcripción y la traducción. Los usuarios pueden solicitar salida formateada con puntuación y capitalización, logrando puntuaciones F1 de capitalización entre 89,7 y 99,5 en los conjuntos de prueba.

En el caso del modelo Turbo CTC, la mejora del rendimiento proviene de compilar un único bloque Conformer y reutilizar su grafo computacional en toda la pila. Esto reduce el tiempo de calentamiento (warmup) y aumenta el rendimiento sin sacrificar la precisión. El modelo ahora genera transcripciones con puntuación y capitalización nativas, eliminando la necesidad de pasos separados de posprocesamiento.

El modelo granite-speech-4.1-2b-plus mejora la atribución de hablantes al reducir la tasa de error de diarización por palabra (WDER) en un 7% y la tasa de error de palabra atribuida al hablante (cpWER) en un 7%. También reduce el desplazamiento medio de la marca de tiempo (AAS) en más de la mitad para todo el habla, proporcionando tiempos más ajustados para subtítulos e indexación de búsqueda. Además, reduce los errores en palabras clave sesgadas en un 45% cuando se utilizan listas de 20 términos.

Detalles clave

• granite-speech-5.0-2b ocupa el segundo lugar entre los principales modelos ASR de pesos abiertos en cuanto a la tasa media de error de palabra (WER) en inglés, con un 5,06%.
• El modelo Turbo CTC es ahora 1,6 veces más rápido que su versión de lanzamiento, alcanzando 19.870 RTFx.
• granite-speech-4.1-2b-plus reduce el desplazamiento medio de la marca de tiempo de 210,86 a 98,54 para todo el habla.
• Los tres modelos se publican bajo la licencia Apache 2.0.
• Existe soporte nativo en Transformers, vLLM, llama.cpp y mlx-audio para Apple Silicon.
• El modelo 2B admite listas de sesgo por palabras clave de hasta 2.000 términos.

Por qué importa

Para los ingenieros de software que desarrollan funciones de transcripción, estas actualizaciones ofrecen mayor control y flexibilidad. La capacidad de sesgar palabras clave permite a las aplicaciones manejar terminología específica del dominio con precisión, algo crucial en industrias como la sanidad, el sector legal y las finanzas. La mejora en la robustez frente al ruido y la reverberación significa que estos modelos pueden funcionar mejor en entornos reales, como salas de conferencias o llamadas remotas, sin requerir un extenso preprocesamiento de audio.

Las mejoras de velocidad en el modelo Turbo CTC hacen más viable la transcripción en tiempo real y en dispositivo. Esto es particularmente importante para aplicaciones que se ejecutan en dispositivos de borde (edge) o en navegadores, donde la latencia y las restricciones de recursos son factores significativos. El soporte nativo para puntuación y capitalización simplifica la cadena de procesamiento, reduciendo la necesidad de modelos o servicios adicionales para formatear la salida.

La mejora en la atribución de hablantes y la precisión de las marcas de tiempo en el modelo 4.1 Plus aumentan la usabilidad de las transcripciones para resúmenes de reuniones y búsquedas. Las marcas de tiempo precisas permiten a los usuarios saltar a partes específicas de una grabación, mientras que el etiquetado correcto del hablante facilita seguir las conversaciones. Estas mejoras reducen el esfuerzo manual necesario para limpiar y organizar los datos transcritos.

Qué puedes hacer

• Evalúa granite-speech-5.0-2b para tareas de transcripción y traducción multilingüe de alta precisión.
• Utiliza granite-speech-5.0-470m-turboctc para necesidades de transcripción de alto rendimiento o en dispositivo, aprovechando su demo de streaming WebGPU.
• Implementa granite-speech-4.1-2b-plus en aplicaciones que involucran reuniones, llamadas o grabaciones multi-hablante donde la identificación del hablante es clave.
• Implementa el sesgo por palabras clave en el modelo 2B para mejorar la precisión de términos y nombres específicos del dominio.
• Prueba los modelos con audio ruidoso o reverberante para evaluar su robustez en tu caso de uso específico.
• Considera combinar estos modelos con Granite Guardian para despliegues en producción que requieran detección adicional de riesgos.