IBM met à jour la série Granite Speech : nouveau modèle multilingue 5.0-2B et Turbo CTC environ 1,6 fois plus rapide
Selon un blog officiel d'IBM publié le 21 octobre 2026, la série Granite Speech bénéficie de trois mises à jour : le nouveau modèle granite-speech-5.0-2b prend en charge la transcription dans six langues et la traduction bidirectionnelle avec l'anglais, la version Turbo CTC 470M ajoute le multilinguisme et améliore le RTFx d'environ 1,6 fois, et la 4.1-2b-plus améliore l'attribution des locuteurs et les horodatages. Les trois sont publiés sous licence Apache 2.0.
Ce qui change
Selon un blog officiel d'IBM publié le 21 octobre 2026, la série Granite Speech bénéficie de trois mises à jour. Le nouveau granite-speech-5.0-2b est le successeur à paramètres identiques du granite-speech-4.1-2b ; il transcrit l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais, et traduit entre ces langues et l'anglais, avec en plus la traduction de l'anglais vers l'italien et le mandarin ; son entraînement utilise 390 000 heures d'audio public, complétées par des données synthétiques construites pour l'ASR en japonais, le biais par mots-clés et la traduction. Les nouvelles capacités incluent une invite d'identification de langue, une liste de biais par mots-clés allant jusqu'à 2000 mots, et la sortie de ponctuation et de casse selon l'invite (le blog indique un F1 de casse de 89,7 à 99,5 sur ses jeux de test). La révision publiée granite-speech-5.0-470m-turboctc conserve la taille d'encodeur de 470M, ajoute la transcription de l'anglais, du japonais, de l'espagnol, de l'allemand, du français, de l'italien et du portugais, et produit nativement la ponctuation et la casse ; IBM affirme qu'en compilant un seul bloc Conformer et en réutilisant le graphe de calcul dans la pile, ce modèle atteint 19870 RTFx sur l'Open ASR Leaderboard, contre environ 12600 RTFx à sa sortie, soit environ 1,6 fois plus rapide, à niveau de précision identique. La révision du granite-speech-4.1-2b-plus conserve le nom 4.1 ; IBM indique que l'architecture, le format d'invite et l'API sont inchangés, ce qui en fait un remplacement direct par amélioration des poids ; le blog liste une baisse du taux d'erreur de diarisation au niveau du mot (WDER) de 4,40 à 4,10, du WER avec attribution de locuteur de 30,50 à 28,48, du décalage moyen des horodatages sur toute la parole de 210,86 à 98,54, du WER sur parole longue de 13,53 à 10,22, et du WER des mots biaisés sous une liste de 20 mots-clés de 11,79 à 6,48. Le blog indique que les trois modèles sont publiés sous licence Apache 2.0, bénéficient d'un support natif dans Transformers, et que le 5.0-2b prend également en charge vLLM, llama.cpp et mlx-audio pour Apple Silicon. Ces chiffres et classements sont auto-déclarés par IBM.
Conséquences pour les développeurs
L'impact direct pour les développeurs se concentre sur trois voies de remplacement possibles, plutôt que sur une mise à niveau unique de modèle. Premièrement, si un pipeline existant utilise un modèle de langage vocal pour la transcription multilingue et est sensible aux erreurs sur les noms propres, les contrôles au niveau de l'invite introduits par le 5.0-2b constituent une nouvelle variable à évaluer : l'invite d'identification de langue, le biais par mots-clés allant jusqu'à 2000 mots et la ponctuation et casse à la demande relèvent de l'entrée à l'inférence et non de modifications des poids, ce qui permet des tests comparatifs sans changer l'architecture de déploiement. Deuxièmement, la révision Turbo CTC ajoute le multilinguisme, la ponctuation et la casse natives, ainsi qu'un entraînement ciblé sur l'audio réverbérant, tandis qu'IBM rapporte une hausse du RTFx d'environ 12600 à 19870, ce qui, pour les scénarios embarqués ou à haut débit, signifie une augmentation significative de la durée audio traitable par unité de matériel ; mais le RTFx est un indicateur de débit, et IBM affirme que l'amélioration est obtenue à niveau de précision identique, ce qui ne permet pas d'en déduire le taux d'erreur sur des distributions spécifiques de bruit et d'accents. Troisièmement, la révision 4.1-2b-plus est décrite comme un remplacement direct sans changement d'architecture, de format d'invite ni d'API, avec les améliorations les plus marquées sur les horodatages, la parole longue et le biais par mots-clés, ce qui pourrait réduire les coûts de révision et d'alignement des sous-titres dans les pipelines d'enregistrement de réunions et de centres d'appels, mais le remplacement doit encore être validé sur ses propres audios. Il faut noter que ces modèles sont à poids ouverts, et que la licence Apache 2.0 mentionnée dans le blog ainsi que l'étendue des langues couvertes pour la transcription et la traduction doivent être considérées comme une reprise des fiches de modèle et de l'éditeur : la possibilité de télécharger les poids n'équivaut pas automatiquement à des droits de licence open source complets, et les conditions d'utilisation commerciale et de redistribution doivent encore être vérifiées dans le texte de licence fourni. En outre, ces trois mises à jour ne concernent pas une infrastructure vocale générique, mais bien des changements de versions de modèles spécifiques ; leur disponibilité via API et services dépend de l'éditeur et est indépendante de tout catalogue tiers de modèles.
Intégration et évaluation
Voici une analyse conditionnelle et des recommandations destinées aux développeurs ; il ne s'agit pas de faits vérifiés. Décision 1 : faut-il basculer la transcription multilingue vers granite-speech-5.0-2b ? Le fondement est constitué des capacités ajoutées rapportées par la source : invite d'identification de langue et biais par mots-clés jusqu'à 2000 mots. Lors du choix, il convient de distinguer si la langue d'entrée est explicitement connue dans l'invite : si la langue peut être déterminée au cas par cas, l'invite d'identification de langue peut être intégrée à la requête d'inférence et comparée à une base sans invite ; si l'audio mélange les langues ou si la langue est inconnue, le bénéfice de cette invite est incertain et il faut surtout évaluer sa performance de détection automatique de langue. La condition préalable est que la pile d'inférence prenne en charge les entrées par invite (le blog indique un support natif dans Transformers et cite vLLM, llama.cpp, mlx-audio). Critère mesurable : sur votre propre liste de mots-clés d'environ 20 à 200 mots composée de noms de produits, de personnes et d'acronymes, comparer la variation relative du taux d'erreur sur les mots biaisés avec et sans biais, tout en vérifiant si le WER global se dégrade. Décision 2 : faut-il remplacer la version anglaise d'origine par la révision Turbo CTC 470M pour la transcription embarquée ou à haut débit ? Le fondement réside dans deux changements rapportés par la source : l'ajout du multilinguisme et de la ponctuation/casse natives, ainsi que l'amélioration du RTFx rapportée par IBM. La condition de choix dépend de la nécessité métier d'une transcription non anglaise : si seul l'anglais est requis et que le pipeline existant dispose déjà d'une étape externe de restauration de la ponctuation, le principal gain du remplacement est la suppression de cette étape et l'amélioration du débit ; si le multilinguisme est nécessaire, il faut d'abord vérifier que les langues cibles figurent parmi les sept citées dans le blog. Critère d'évaluation : mesurer, à concurrence et matériel fixes, le temps de traitement par unité de durée audio et le taux d'erreur réel, en comptabilisant séparément les échantillons avec réverbération ou enregistrement à distance, car le blog indique que cette version est explicitement entraînée pour l'audio réverbérant. Décision 3 : faut-il adopter la 4.1-2b-plus comme remplacement direct pour les réunions et les enregistrements multi-locuteurs ? Le fondement est l'amélioration des poids et les éléments inchangés rapportés par la source : architecture, format d'invite et API identiques, avec des baisses du WDER, du cpWER, du décalage des horodatages sur toute la parole et du WER sur parole longue. La condition de choix est que le pipeline existant soit déjà interfacé avec les invites et l'interface de la 4.1, auquel cas le coût du remplacement réside principalement dans la validation de régression plutôt que dans la modification du code. Critère d'évaluation : sur vos propres enregistrements de réunions longues, comptabiliser simultanément le taux d'erreur d'attribution des locuteurs et le décalage des horodatages, en portant une attention particulière aux transitions entre locuteurs et à la dérive dans la seconde moitié des audios longs, car les améliorations rapportées par la source ne sont pas uniformes selon les sous-ensembles. Toutes ces évaluations doivent être réalisées sur vos propres données ; les indicateurs auto-déclarés par la source ne constituent qu'un a priori.
Limites et points à confirmer
Les indicateurs, classements et données de vitesse ci-dessus proviennent de blogs et de fiches de modèle auto-déclarés par IBM ; cette note ne les a pas reproduits indépendamment et ne les a pas validés sur des données propres. Plusieurs valeurs précises manquent de reproduction tierce comparable : par exemple, la comparaison entre 19870 RTFx et environ 12600 RTFx provient de la même méthode de mesure du même éditeur et n'est pas directement comparable d'un environnement à l'autre ; l'intervalle de F1 de casse de 89,7 à 99,5 ne précise pas la répartition exacte des jeux de test. La source ne divulgue pas les taux d'erreur par langue de la révision Turbo CTC ni de la révision 4.1-2b-plus sur les langues ajoutées, et ne fournit pas non plus d'indicateurs détaillés par direction de traduction entre chaque langue et l'anglais, de sorte que la performance multilingue comporte des inconnues notables. La performance du biais par mots-clés à la limite de 2000 mots, ainsi que le coût de latence induit par des listes de mots-clés très longues, ne sont pas précisés par la source. Il faut souligner que ces trois versions n'ont actuellement aucune entrée correspondante dans le catalogue en temps réel de KimiSeek ; la disponibilité et les modes d'accès mentionnés dans cette note (Transformers, vLLM, llama.cpp, mlx-audio, etc.) se réfèrent aux canaux de publication d'IBM et non à une disponibilité sur cette plateforme ; la question de savoir si elles seront ultérieurement ajoutées et les prix d'appel correspondants doivent être vérifiés sur la page de tarification de KimiSeek. Concernant la licence, le blog indique une publication sous Apache 2.0, mais la possibilité de télécharger les poids n'équivaut pas à des droits de licence complets ; les conditions réelles d'utilisation commerciale et de redistribution doivent encore être vérifiées dans la licence fournie et la fiche de modèle. Enfin, la source recommande d'associer Granite Guardian pour la détection des risques en déploiement de production ; cette recommandation n'est accompagnée d'aucune donnée d'évaluation, et son adoption doit être testée par vous-même.