IBM aktualisiert Granite Speech: neues mehrsprachiges 5.0-2B-Modell, Turbo CTC rund 1,6-mal schneller
Laut einem am 21. Oktober 2026 veröffentlichten offiziellen Blogbeitrag von IBM umfasst die Granite-Speech-Reihe drei Aktualisierungen: Das neue Modell granite-speech-5.0-2b unterstützt Transkription in sechs Sprachen und Übersetzung zwischen diesen und Englisch, die Turbo-CTC-Version mit 470M erhält Mehrsprachigkeit und eine etwa 1,6-fache RTFx-Steigerung, und 4.1-2b-plus verbessert Sprecherzuordnung und Zeitstempel. Alle drei werden unter der Apache-2.0-Lizenz veröffentlicht.
Was sich geändert hat
Laut einem am 21. Oktober 2026 veröffentlichten offiziellen Blogbeitrag von IBM gibt es drei Aktualisierungen der Granite-Speech-Reihe. Das neue granite-speech-5.0-2b ist der Nachfolger von granite-speech-4.1-2b mit gleicher Parameterzahl und kann Englisch, Französisch, Deutsch, Spanisch, Portugiesisch und Japanisch transkribieren sowie zwischen diesen Sprachen und Englisch übersetzen; außerdem unterstützt es die Übersetzung von Englisch nach Italienisch und Mandarin. Das Training nutzte 390.000 Stunden öffentlich verfügbares Audio sowie synthetische Daten für japanische ASR, Keyword-Bias und Übersetzung. Zu den neuen Fähigkeiten gehören Sprach-ID-Hinweise, Keyword-Bias-Listen mit bis zu 2000 Wörtern und die Ausgabe von Interpunktion und Groß-/Kleinschreibung auf Anfrage (der Blog nennt eine F1 für Groß-/Kleinschreibung von 89,7 bis 99,5 auf ihren Testsätzen). Die veröffentlichte Revision granite-speech-5.0-470m-turboctc behält die Encodergröße von 470M bei, fügt Transkription für Englisch, Japanisch, Spanisch, Deutsch, Französisch, Italienisch und Portugiesisch hinzu und gibt Interpunktion und Groß-/Kleinschreibung nativ aus; IBM gibt an, dass das Modell durch die Kompilierung eines einzelnen Conformer-Blocks und die Wiederverwendung des Rechengraphen im Stack auf dem Open ASR Leaderboard 19870 RTFx erreicht, gegenüber etwa 12600 RTFx zum Zeitpunkt der Veröffentlichung – etwa 1,6-mal schneller bei gleichem Genauigkeitsniveau. Die Revision von granite-speech-4.1-2b-plus behält den Namen 4.1; IBM gibt an, dass Architektur, Prompt-Format und API unverändert sind und es sich um einen direkten Ersatz mit verbesserten Gewichten handelt; der Blog nennt eine Wort-Diarisierungsfehlerrate WDER, die von 4,40 auf 4,10 sinkt, eine WER mit Sprecherzuordnung, die von 30,50 auf 28,48 sinkt, eine durchschnittliche Zeitstempelabweichung über alle Audiodaten, die von 210,86 auf 98,54 sinkt, eine Langaudio-WER, die von 13,53 auf 10,22 sinkt, und eine WER für gebiaste Wörter bei einer Keyword-Liste mit 20 Wörtern, die von 11,79 auf 6,48 sinkt. Der Blog gibt an, dass alle drei Modelle unter der Apache-2.0-Lizenz veröffentlicht werden, native Unterstützung in Transformers bieten und 5.0-2b zusätzlich vLLM, llama.cpp und mlx-audio für Apple Silicon unterstützt. Alle diese Zahlen und Ranglisten stammen aus IBM-Eigenangaben.
Auswirkungen für Entwickler
Die unmittelbaren Auswirkungen auf Entwickler konzentrieren sich auf drei optionale Alternativpfade statt auf ein einzelnes Modell-Upgrade. Erstens: Wenn eine bestehende Pipeline ein Sprachmodell für Sprachverarbeitung für mehrsprachige Transkription nutzt und empfindlich auf Fehler bei Eigennamen reagiert, sind die von 5.0-2b eingeführten steuerbaren Prompt-Elemente eine neue bewertbare Variable: Sprach-ID-Hinweise, Keyword-Bias mit bis zu 2000 Wörtern sowie bedarfsgesteuerte Interpunktion und Groß-/Kleinschreibung sind Eingaben zur Inferenzzeit und keine Änderungen auf Gewichtsebene, sodass Vergleichstests ohne Änderung der Bereitstellungsarchitektur möglich sind. Zweitens: Die Turbo-CTC-Revision fügt Mehrsprachigkeit, native Interpunktion und Groß-/Kleinschreibung sowie Training für hallige Audiodaten hinzu, während IBM einen RTFx-Anstieg von etwa 12600 auf 19870 meldet; für Edge- oder Hochdurchsatzszenarien bedeutet dies, dass pro Hardwareeinheit deutlich mehr Audiodauer verarbeitet werden kann. RTFx ist jedoch ein Durchsatzmaß, und IBM gibt an, dass die Verbesserung bei gleichem Genauigkeitsniveau erzielt wurde; daraus lässt sich nicht auf Fehlerraten bei konkreten Rausch- und Akzentverteilungen schließen. Drittens: Die Revision von 4.1-2b-plus wird als direkter Ersatz ohne Änderungen an Architektur, Prompt-Format und API beschrieben, wobei die Verbesserungen bei Zeitstempeln, Langaudio und Keyword-Bias am größten sind; dies könnte die Kosten für Überprüfung und Untertitelausrichtung in Meeting- und Kundendienst-Audio-Pipelines senken, aber ein Ersatz muss weiterhin mit eigenem Audio validiert werden. Zu beachten ist, dass diese Modelle offene Gewichte sind: Die im Blog genannte Apache-2.0-Lizenz und der Sprachumfang für Transkription und Übersetzung sollten als Wiedergabe der Modellkarten und des Herausgebers betrachtet werden; herunterladbare Gewichte sind nicht automatisch gleichbedeutend mit vollständigen Open-Source-Lizenzrechten, und kommerzielle Nutzungs- und Weiterverbreitungsbedingungen sollten weiterhin anhand des beigefügten Lizenztextes geprüft werden. Darüber hinaus haben diese drei Aktualisierungen nichts mit allgemeiner Sprachinfrastruktur zu tun, sondern sind konkrete Modellversionsänderungen; ihre API- und Dienstverfügbarkeit liegt beim Herausgeber und ist unabhängig von einem etwaigen Drittmodellkatalog.
Integration und Bewertung
Die folgenden bedingten Analysen und Empfehlungen richten sich an Entwickler und sind keine verifizierten Fakten. Entscheidung eins: Soll die mehrsprachige Transkription auf granite-speech-5.0-2b umgestellt werden? Grundlage sind die im Quellbericht genannten neuen Fähigkeiten – Sprach-ID-Hinweise und Keyword-Bias mit bis zu 2000 Wörtern. Bei der Entscheidung sollte unterschieden werden, ob die Eingabesprache im Prompt explizit bekannt ist: Lässt sich die Sprache pro Eintrag bestimmen, kann der Sprach-ID-Hinweis in die Inferenzanfrage aufgenommen und mit einer Baseline ohne Hinweis verglichen werden; bei gemischtsprachigem oder unbekanntem Audio ist der Nutzen dieses Hinweises unsicher, und die Leistung bei der automatischen Sprachbestimmung sollte besonders bewertet werden. Voraussetzung ist, dass der Inferenz-Stack Prompt-Eingaben unterstützt (laut Blog native Unterstützung in Transformers sowie vLLM, llama.cpp und mlx-audio). Messbare Bewertungskriterien: Auf einer eigenen Keyword-Liste von etwa 20 bis 200 Wörtern aus Produktnamen, Personennamen und Abkürzungen die relative Veränderung der Fehlerrate gebiaster Wörter mit und ohne Bias vergleichen und gleichzeitig erfassen, ob sich die Gesamt-WER verschlechtert. Entscheidung zwei: Soll die Turbo-CTC-470M-Revision die ursprüngliche englische Version für Edge- oder Hochdurchsatztranskription ersetzen? Grundlage sind zwei im Quellbericht genannte Änderungen – hinzugefügte Mehrsprachigkeit und native Interpunktion/Groß-/Kleinschreibung sowie die von IBM gemeldete RTFx-Verbesserung. Die Bedingung für die Entscheidung ist, ob das Geschäft nicht-englische Transkription benötigt: Wird nur Englisch benötigt und die bestehende Pipeline hat bereits einen externen Schritt zur Wiederherstellung der Interpunktion, besteht der Hauptnutzen im Wegfall dieses Schritts und der Durchsatzsteigerung; werden mehrere Sprachen benötigt, muss zunächst bestätigt werden, dass die Zielsprachen unter den im Blog genannten sieben liegen. Bewertungskriterien: Bei fester Parallelität und Hardware die Verarbeitungszeit pro Audiodauer und die tatsächliche Wortfehlerrate messen und Stichproben mit Hall oder Fernfeldaufnahmen separat auswerten, da der Blog angibt, dass diese Version gezielt auf hallige Audiodaten trainiert wurde. Entscheidung drei: Soll 4.1-2b-plus als direkter Ersatz für Meeting- und Mehrsprecheraufnahmen verwendet werden? Grundlage sind die im Quellbericht genannten Gewichtsverbesserungen und unveränderten Punkte – Architektur, Prompt-Format und API unverändert sowie gesunkene WDER, cpWER, Zeitstempelabweichung über alle Audiodaten und Langaudio-WER. Die Bedingung ist, dass die bestehende Pipeline bereits an Prompt und Schnittstelle von 4.1 angebunden ist; in diesem Fall liegt der Ersatzaufwand vor allem in der Regressionsvalidierung, nicht in Codeänderungen. Bewertungskriterien: Auf eigenen langen Meeting-Aufnahmen gleichzeitig die Sprecherzuordnungsfehlerrate und die Zeitstempelabweichung erfassen, mit Schwerpunkt auf Sprecherwechseln und Drift in der zweiten Hälfte langer Audiodateien, da die im Quellbericht genannten Verbesserungen je nach Teilmenge uneinheitlich ausfallen. Alle diese Bewertungen sollten auf eigenen Daten erfolgen; die selbst gemeldeten Kennzahlen der Quelle dienen nur als Prior.
Grenzen und offene Fragen
Die oben genannten Kennzahlen, Ranglisten und Geschwindigkeitsdaten stammen alle aus von IBM selbst gemeldeten Blogbeiträgen und Modellkarten; dieser Bericht hat sie weder unabhängig reproduziert noch auf eigenen Daten validiert. Mehrere konkrete Werte entbehren einer vergleichbaren Drittreproduktion: So stammt der Vergleich von 19870 RTFx zu etwa 12600 RTFx aus derselben Messmethodik desselben Herausgebers und ist über Umgebungen hinweg nicht direkt vergleichbar; der Bereich der F1 für Groß-/Kleinschreibung von 89,7 bis 99,5 lässt die konkrete Aufteilung der einzelnen Testsätze offen. Die Quelle legt weder die Fehlerraten pro Sprache für die neu hinzugefügten Sprachen in der Turbo-CTC-Revision und der 4.1-2b-plus-Revision offen noch gibt sie Einzelwerte für die Übersetzungsrichtungen zwischen den einzelnen Sprachen und Englisch an, weshalb die mehrsprachige Leistung deutlich unbekannt bleibt. Die Genauigkeit des Keyword-Bias bei der Obergrenze von 2000 Wörtern und die Latenzkosten übermäßig langer Keyword-Listen werden in der Quelle nicht erläutert. Ausdrücklich festzuhalten ist, dass diese drei Versionen derzeit keinen entsprechenden Eintrag im Echtzeitkatalog von KimiSeek haben; die in diesem Bericht genannte Modellverfügbarkeit und Bezugswege (Transformers, vLLM, llama.cpp, mlx-audio usw.) beziehen sich auf die Vertriebskanäle von IBM und nicht auf eine bereits erfolgte Aufnahme in diese Plattform; eine spätere Aufnahme und die entsprechenden Nutzungspreise sollten anhand der Preisangaben von KimiSeek geprüft werden. Zur Lizenz: Der Blog gibt eine Veröffentlichung unter Apache 2.0 an, doch herunterladbare Gewichte bedeuten nicht vollständige Lizenzrechte; die tatsächlichen kommerziellen Nutzungs- und Weiterverbreitungsbedingungen müssen weiterhin anhand der beigefügten Lizenz und der Modellkarte geprüft werden. Schließlich empfiehlt die Quelle, in der Produktionsbereitstellung Granite Guardian zur Risikoerkennung einzusetzen; diese Empfehlung wird nicht mit Evaluationsdaten belegt, und ihre Übernahme muss selbst getestet werden.