IBM lance Granite Speech 5.0 avec une transcription plus rapide et un meilleur suivi des locuteurs

IBM a publié trois mises à jour de sa collection Granite Speech, introduisant un nouveau modèle de langage vocal et révisant deux modèles existants pour améliorer la précision, la vitesse et l'attribution des locuteurs. Publiés le 21 octobre 2026, ces modèles open-weight visent à couvrir l'ensemble du spectre des tâches vocales en entreprise, de la transcription haute fidélité au traitement en temps réel sur les périphériques (edge).

Ce qui s'est passé

La pièce maîtresse de cette sortie est granite-speech-5.0-2b, un nouveau modèle qui remplace la version précédente 4.1 avec le même nombre de paramètres. Il prend en charge la transcription en anglais, français, allemand, espagnol, portugais et japonais, et offre des capacités de traduction entre ces langues et l'anglais, ainsi que de l'anglais vers l'italien et le mandarin. Le modèle a été entraîné sur 390 000 heures d'audio public, complétées par des données synthétiques conçues pour améliorer la reconnaissance automatique de la parole (ASR) en japonais, le biais de mots-clés et les performances de traduction.

Parallèlement au nouveau modèle 2B, IBM a mis à jour granite-speech-5.0-470m-turboctc. À l'origine un encodeur uniquement en anglais axé sur la vitesse, cette révision ajoute une prise en charge multilingue pour sept langues ainsi que la ponctuation et la capitalisation natives. Elle présente également une meilleure robustesse face aux audio réverbérants et aux pièces écho. Grâce à des optimisations techniques qui compilent un seul bloc Conformer et réutilisent son graphe, le modèle a atteint une augmentation significative de la vitesse, atteignant 19 870 RTFx sur le classement Open ASR Leaderboard, contre environ 12 600 RTFx au lancement.

La troisième mise à jour cible les scénarios multi-locuteurs avec granite-speech-4.1-2b-plus. Ce modèle conserve l'architecture et l'API de son prédécesseur mais fournit des poids améliorés pour une meilleure attribution des locuteurs et une précision temporelle accrue. Il est conçu comme un remplacement direct (drop-in replacement) pour les entreprises gérant des réunions, des appels d'assistance et des entretiens où identifier qui parle et quand est crucial.

Comment cela fonctionne

Le nouveau modèle granite-speech-5.0-2b introduit le prompt d'identification de langue, permettant aux utilisateurs de spécifier la langue d'entrée pour orienter la transcription multilingue. Il prend également en charge des listes de biais de mots-clés allant jusqu'à 2 000 termes, permettant au modèle de prioriser des noms de produits, des personnes ou des acronymes spécifiques lors de la transcription et de la traduction. Les utilisateurs peuvent demander une sortie formatée avec ponctuation et capitalisation, atteignant des scores F1 de capitalisation entre 89,7 et 99,5 sur les jeux de test.

Pour le modèle Turbo CTC, le gain de performance provient de la compilation d'un seul bloc Conformer et de la réutilisation de son graphe computationnel dans toute la pile. Cela réduit le temps de chauffe (warmup) et augmente le débit sans sacrifier la précision. Le modèle produit désormais des transcriptions avec ponctuation et capitalisation natives, éliminant le besoin d'étapes de post-traitement séparées.

Le modèle granite-speech-4.1-2b-plus améliore l'attribution des locuteurs en réduisant le taux d'erreur de diarisation par mot (WDER) de 7 % et le taux d'erreur par mot attribué au locuteur (cpWER) de 7 %. Il réduit également le décalage horodatage moyen (AAS) de plus de moitié pour tout discours, offrant un timing plus précis pour les sous-titres et l'indexation de recherche. De plus, il réduit les erreurs sur les mots-clés biaisés de 45 % lors de l'utilisation de listes de 20 mots-clés.

Détails clés

• granite-speech-5.0-2b se classe deuxième parmi les meilleurs modèles ASR open-weight en termes de taux d'erreur par mot (WER) moyen en anglais, à 5,06 %.
• Le modèle Turbo CTC est désormais 1,6 fois plus rapide que sa version de lancement, atteignant 19 870 RTFx.
• granite-speech-4.1-2b-plus réduit le décalage horodatage moyen de 210,86 à 98,54 pour tout discours.
• Les trois modèles sont publiés sous licence Apache 2.0.
• Une prise en charge native est disponible dans Transformers, vLLM, llama.cpp et mlx-audio pour Apple Silicon.
• Le modèle 2B prend en charge des listes de biais de mots-clés allant jusqu'à 2 000 termes.

Pourquoi c'est important

Pour les ingénieurs logiciels développant des fonctionnalités de transcription, ces mises à jour offrent plus de contrôle et de flexibilité. La capacité de biaiser les mots-clés permet aux applications de gérer avec précision la terminologie spécifique à un domaine, ce qui est crucial pour des industries comme la santé, le droit et la finance. L'amélioration de la robustesse face au bruit et à la réverbération signifie que ces modèles peuvent mieux fonctionner dans des environnements réels, tels que les salles de conférence ou les appels distants, sans nécessiter de prétraitement audio extensif.

Les améliorations de vitesse du modèle Turbo CTC rendent la transcription en temps réel sur appareil plus viable. C'est particulièrement important pour les applications fonctionnant sur des périphériques edge ou dans les navigateurs, où la latence et les contraintes de ressources sont des facteurs significatifs. La prise en charge native de la ponctuation et de la capitalisation simplifie le pipeline, réduisant le besoin de modèles ou services supplémentaires pour formater la sortie.

L'amélioration de l'attribution des locuteurs et de la précision des horodatages dans le modèle 4.1 Plus renforce l'utilisabilité des transcriptions pour les résumés de réunions et la recherche. Des horodatages précis permettent aux utilisateurs de sauter à des parties spécifiques d'un enregistrement, tandis qu'une étiquetage correct des locuteurs facilite le suivi des conversations. Ces améliorations réduisent l'effort manuel nécessaire pour nettoyer et organiser les données transcrites.

Ce que vous pouvez faire

• Évaluez granite-speech-5.0-2b pour des tâches de transcription et de traduction multilingues à haute précision.
• Utilisez granite-speech-5.0-470m-turboctc pour les besoins de transcription à haut débit ou sur appareil, en tirant parti de sa démonstration de streaming WebGPU.
• Déployez granite-speech-4.1-2b-plus pour les applications impliquant des réunions, des appels ou des enregistrements multi-locuteurs où l'identification du locuteur est essentielle.
• Implémentez le biais de mots-clés dans le modèle 2B pour améliorer la précision des termes et noms spécifiques à un domaine.
• Testez les modèles avec des audios bruités ou réverbérants pour évaluer leur robustesse dans votre cas d'utilisation spécifique.
• Envisagez de coupler ces modèles avec Granite Guardian pour les déploiements en production nécessitant une détection de risques supplémentaire.