IBM actualiza Granite Speech: nuevo modelo multilingüe 5.0-2B y Turbo CTC con aceleración de aproximadamente 1,6 veces
Según el blog oficial de IBM publicado el 21 de octubre de 2026, la serie Granite Speech recibe tres actualizaciones: el nuevo modelo granite-speech-5.0-2b admite transcripción en seis idiomas y traducción bidireccional con el inglés; la versión Turbo CTC 470M añade multilingüismo y eleva el RTFx aproximadamente 1,6 veces; y 4.1-2b-plus mejora la atribución de hablantes y las marcas de tiempo. Los tres se publican bajo licencia Apache 2.0.
Qué ha cambiado
Según el blog oficial de IBM publicado el 21 de octubre de 2026, la serie Granite Speech recibe tres actualizaciones. El nuevo granite-speech-5.0-2b es el sucesor con el mismo número de parámetros que granite-speech-4.1-2b, puede transcribir inglés, francés, alemán, español, portugués y japonés, y traducir entre estos idiomas y el inglés; además admite traducción de inglés a italiano y mandarín; el entrenamiento utilizó 390 000 horas de audio público, más datos sintéticos creados para ASR en japonés, sesgo por palabras clave y traducción. Las nuevas capacidades incluyen indicación de ID de idioma, listas de sesgo por palabras clave de hasta 2000 palabras, y salida de puntuación y mayúsculas según la indicación (el blog afirma que su F1 de mayúsculas en sus conjuntos de prueba es de 89,7 a 99,5). La revisión publicada granite-speech-5.0-470m-turboctc mantiene el tamaño de codificador de 470M, añade transcripción en inglés, japonés, español, alemán, francés, italiano y portugués, y produce puntuación y mayúsculas de forma nativa; IBM afirma que, al compilar un único bloque Conformer y reutilizar el grafo de cómputo en la pila, el modelo alcanza 19870 RTFx en el Open ASR Leaderboard, frente a aproximadamente 12600 RTFx en el momento de su publicación, unas 1,6 veces más rápido, con el mismo nivel de precisión. La revisión de granite-speech-4.1-2b-plus conserva el nombre 4.1; IBM afirma que la arquitectura, el formato de indicación y la API no cambiaron, por lo que es un reemplazo directo con mejora de pesos; el blog enumera que la tasa de error de diarización a nivel de palabra WDER bajó de 4,40 a 4,10, el WER con atribución de hablante bajó de 30,50 a 28,48, el desplazamiento medio de marcas de tiempo en todo el habla bajó de 210,86 a 98,54, el WER en habla larga bajó de 13,53 a 10,22, y el WER de palabras sesgadas con una lista de 20 palabras clave bajó de 11,79 a 6,48. El blog afirma que los tres modelos se publican bajo licencia Apache 2.0, ofrecen soporte nativo en Transformers, y que 5.0-2b también admite vLLM, llama.cpp y mlx-audio para Apple Silicon. Las cifras y clasificaciones anteriores son autoinformadas por IBM.
Impacto para desarrolladores
El impacto directo para los desarrolladores se concentra en tres rutas alternativas opcionales, no en una única actualización de modelo. Primero, si la canalización actual usa un modelo de lenguaje de voz para transcripción multilingüe y es sensible a errores en nombres propios, los controles a nivel de indicación introducidos por 5.0-2b son nuevas variables evaluables: la indicación de ID de idioma, el sesgo por palabras clave de hasta 2000 palabras y la puntuación y mayúsculas bajo demanda son entradas en tiempo de inferencia, no cambios en la capa de pesos, por lo que se pueden probar de forma comparativa sin modificar la arquitectura de despliegue. Segundo, la revisión de Turbo CTC añade multilingüismo, puntuación y mayúsculas nativas, y entrenamiento específico para audio con reverberación, mientras IBM informa que el RTFx pasó de aproximadamente 12600 a 19870, lo que para escenarios en el dispositivo o de alto rendimiento implica un aumento significativo de la duración de audio procesable por unidad de hardware; sin embargo, el RTFx es una métrica de rendimiento, e IBM afirma que la mejora se logró con el mismo nivel de precisión, por lo que no se puede inferir a partir de ello su tasa de error en distribuciones concretas de ruido y acento. Tercero, la revisión de 4.1-2b-plus se describe como un reemplazo directo sin cambios en arquitectura, formato de indicación ni API, y las mejoras en marcas de tiempo, habla larga y sesgo por palabras clave son las mayores, lo que puede reducir el costo de revisión y alineación de subtítulos en canalizaciones de grabaciones de reuniones y atención al cliente, pero el reemplazo aún debe validarse con audio propio. Cabe señalar que estos modelos son de pesos abiertos, y la licencia Apache 2.0 descrita en el blog, así como el alcance de idiomas para transcripción y traducción, deben considerarse una paráfrasis de la tarjeta del modelo y del emisor; que los pesos se puedan descargar no equivale automáticamente a derechos completos de licencia de código abierto, y las condiciones de uso comercial y redistribución deben verificarse con el texto de licencia adjunto. Además, estas tres actualizaciones no tienen relación con infraestructura genérica de voz: son cambios de versiones concretas de modelos, pero su disponibilidad de API y servicio la decide el emisor, y no guarda relación con ningún catálogo de modelos de terceros.
Integración y evaluación
El siguiente es un análisis condicional y recomendaciones para desarrolladores, no hechos verificados. Decisión uno: si cambiar la transcripción multilingüe a granite-speech-5.0-2b. La base es la capacidad añadida reportada por la fuente: indicación de ID de idioma y sesgo por palabras clave de hasta 2000 palabras. Al elegir, se debe distinguir si el idioma de entrada es claramente conocido en la indicación: si el idioma se puede determinar caso por caso, se puede incluir la indicación de ID de idioma en la solicitud de inferencia y comparar con una línea base sin indicación; si el audio mezcla idiomas o se desconoce el idioma, el beneficio de esa indicación es incierto y se debe evaluar especialmente su desempeño de determinación automática de idioma. El requisito es que la pila de inferencia admita entradas con indicación (el blog afirma soporte nativo en Transformers y enumera vLLM, llama.cpp, mlx-audio). Criterio de evaluación medible: en tu propia lista de aproximadamente 20 a 200 palabras clave compuesta por nombres de productos, personas y siglas, comparar el cambio relativo en la tasa de error de palabras sesgadas al activar y desactivar el sesgo, y registrar al mismo tiempo si el WER general se degrada. Decisión dos: si reemplazar la versión original en inglés con la revisión Turbo CTC 470M para transcripción en el dispositivo o de alto rendimiento. La base son los dos cambios reportados por la fuente: la adición de multilingüismo y puntuación y mayúsculas nativas, y la mejora de RTFx reportada por IBM. La condición para decidir radica en si el negocio necesita transcripción en idiomas distintos del inglés: si solo se necesita inglés y la canalización actual ya tiene un paso externo de restauración de puntuación, el beneficio principal del reemplazo es eliminar ese paso y aumentar el rendimiento; si se necesitan varios idiomas, primero hay que confirmar que los idiomas objetivo estén entre los siete enumerados en el blog. Criterio de evaluación: medir en condiciones fijas de concurrencia y hardware el tiempo de procesamiento por unidad de duración de audio y la tasa real de errores de palabras, y contabilizar por separado en muestras con reverberación o grabación en campo lejano, porque el blog afirma que esta versión está entrenada explícitamente para audio con reverberación. Decisión tres: si usar 4.1-2b-plus como reemplazo directo para reuniones y grabaciones con múltiples hablantes. La base son las mejoras de pesos reportadas por la fuente y los elementos que permanecen sin cambios: arquitectura, formato de indicación y API sin cambios, y reducciones en WDER, cpWER, desplazamiento de marcas de tiempo en todo el habla y WER en habla larga. La condición de elección es que la canalización actual ya esté integrada con las indicaciones y la interfaz de 4.1; en ese caso, el costo del reemplazo está principalmente en la validación de regresión, no en cambios de código. Criterio de evaluación: en tus propias grabaciones largas de reuniones, contabilizar simultáneamente la tasa de error de atribución de hablante y el desplazamiento de marcas de tiempo, prestando especial atención a los cambios de hablante y a la deriva en la segunda mitad del audio largo, porque las mejoras dadas por la fuente no son consistentes en distintos subconjuntos. Todas estas evaluaciones deben realizarse con datos propios; las métricas autoinformadas por la fuente solo sirven como prior.
Límites y cuestiones pendientes
Las métricas, clasificaciones y datos de velocidad anteriores provienen del blog y la tarjeta de modelo autoinformados por IBM; este informe no los reprodujo de forma independiente ni los validó con datos propios. Varios valores concretos carecen de reproducción comparable por terceros: por ejemplo, la comparación entre 19870 RTFx y aproximadamente 12600 RTFx proviene de la misma medición del emisor y no es directamente comparable entre entornos; el intervalo de F1 de mayúsculas de 89,7 a 99,5 no especifica cómo se dividieron los conjuntos de prueba. La fuente no divulga las tasas de error por idioma de la revisión de Turbo CTC ni de la revisión de 4.1-2b-plus en los idiomas añadidos, ni ofrece métricas desglosadas por dirección de traducción entre cada idioma y el inglés, por lo que el rendimiento multilingüe presenta una incertidumbre evidente. La precisión del sesgo por palabras clave con el límite de 2000 palabras y el costo de latencia que implica una lista de palabras clave extremadamente larga no son explicados por la fuente. Cabe señalar explícitamente que estas tres versiones no tienen actualmente ninguna entrada correspondiente en el catálogo en tiempo real de KimiSeek; la disponibilidad del modelo y las formas de acceso mencionadas en este informe (Transformers, vLLM, llama.cpp, mlx-audio, etc.) se refieren a los canales de publicación de IBM, no a que esta plataforma ya los tenga disponibles. Si estos modelos se incorporan posteriormente a KimiSeek, los precios de invocación correspondientes deberán consultarse en la página de precios de la plataforma. En cuanto a la licencia, el blog afirma que se publican bajo Apache 2.0, pero que los pesos se puedan descargar no significa que los derechos de licencia sean completos; las condiciones reales de uso comercial y redistribución aún deben verificarse con la licencia adjunta y la tarjeta del modelo. Por último, la fuente recomienda acompañar el despliegue en producción con Granite Guardian para detección de riesgos; esa recomendación no incluye datos de evaluación, y su adopción requiere pruebas propias.