IBM, Granite Speech 시리즈 업데이트: 5.0-2B 다국어 모델 추가, Turbo CTC 약 1.6배 속도 향상
IBM이 2026년 10월 21일 공식 블로그에서 발표한 내용에 따르면, Granite Speech 시리즈에 세 가지 업데이트가 있다. 새 모델 granite-speech-5.0-2b는 6개 언어 전사와 영어 번역 상호 변환을 지원하고, Turbo CTC 470M 버전은 다국어를 추가하고 RTFx를 약 1.6배 향상했으며, 4.1-2b-plus는 화자 분리와 타임스탬프를 개선했다. 세 모델 모두 Apache 2.0 라이선스로 공개되었다.
주요 변화
IBM이 2026년 10월 21일 공식 블로그에서 발표한 내용에 따르면, Granite Speech 시리즈에 세 가지 업데이트가 있다. 새로 추가된 granite-speech-5.0-2b는 granite-speech-4.1-2b와 동일한 파라미터 수의 후속 모델로, 영어, 프랑스어, 독일어, 스페인어, 포르투갈어, 일본어를 전사하고 이들 언어와 영어 간 상호 번역을 지원하며, 추가로 영어에서 이탈리아어와 중국어(보통화)로의 번역도 지원한다. 학습에는 39만 시간의 공개 오디오와 일본어 ASR, 키워드 편향, 번역을 위해 구축한 합성 데이터가 사용되었다. 새로 추가된 기능으로는 언어 ID 프롬프트, 최대 2000단어의 키워드 편향 목록, 프롬프트에 따른 구두점과 대소문자 출력(블로그에 따르면 테스트 세트에서 대소문자 F1이 89.7~99.5)이 있다. 공개된 granite-speech-5.0-470m-turboctc 개정판은 470M 인코더 규모를 유지하면서 영어, 일본어, 스페인어, 독일어, 프랑스어, 이탈리아어, 포르투갈어 전사를 추가하고 구두점과 대소문자를 기본 출력한다. IBM은 단일 Conformer 블록을 컴파일하고 스택에서 계산 그래프를 재사용함으로써 이 모델이 Open ASR 리더보드에서 19870 RTFx를 달성했으며, 출시 당시 약 12600 RTFx였던 것에 비해 약 1.6배 빠르고 정확도 수준은 동일하다고 밝혔다. granite-speech-4.1-2b-plus 개정판은 4.1 이름을 유지하며, IBM은 아키텍처, 프롬프트 형식, API가 변경되지 않은 가중치 개선의 직접 대체품이라고 밝혔다. 블로그에는 단어 수준 화자 분리 오류율 WDER이 4.40에서 4.10으로, 화자 귀속 포함 WER이 30.50에서 28.48로, 전체 음성의 평균 타임스탬프 오프셋이 210.86에서 98.54로, 장문 음성 WER이 13.53에서 10.22로, 20단어 키워드 목록에서 편향 단어 WER이 11.79에서 6.48로 감소했다고 나와 있다. 블로그는 세 모델 모두 Apache 2.0 라이선스로 공개되었고 Transformers에서 기본 지원되며, 5.0-2b는 vLLM, llama.cpp, Apple Silicon용 mlx-audio도 지원한다고 밝혔다. 위 수치와 순위는 모두 IBM 자체 보고이다.
개발자에게 미치는 영향
개발자에게 미치는 직접적인 영향은 단일 모델 업그레이드가 아니라 세 가지 선택적 대체 경로에 집중된다. 첫째, 기존 파이프라인이 음성 언어 모델로 다국어 전사를 수행하고 고유 명사 오류에 민감하다면, 5.0-2b가 도입한 프롬프트 수준 제어 항목은 평가해 볼 수 있는 새 변수이다. 언어 ID 프롬프트, 최대 2000단어 키워드 편향, 필요 시 구두점과 대소문자 출력은 모두 추론 시 입력이지 가중치 계층 변경이 아니므로, 배포 아키텍처를 바꾸지 않고도 대조 테스트를 할 수 있다. 둘째, Turbo CTC 개정판은 다국어, 기본 구두점과 대소문자, 잔향 오디오를 겨냥한 학습을 함께 추가했으며, IBM은 RTFx가 약 12600에서 19870으로 향상되었다고 보고한다. 이는 엣지 또는 고처리량 시나리오에서 단위 하드웨어가 처리할 수 있는 오디오 길이가 크게 늘어난다는 의미이다. 그러나 RTFx는 처리량 지표이며, IBM은 향상이 동일한 정확도 수준에서 이루어졌다고 밝혔으므로, 특정 잡음 및 악센트 분포에서의 오류율을 이로부터 추론할 수는 없다. 셋째, 4.1-2b-plus 개정판은 아키텍처, 프롬프트 형식, API가 모두 변경되지 않은 직접 대체품으로 설명되며, 타임스탬프, 장문 음성, 키워드 편향 지표의 개선 폭이 가장 크다. 이는 회의 및 고객 서비스 녹음 파이프라인의 검토와 자막 정렬 비용을 낮출 수 있지만, 대체에는 자체 오디오로 검증이 필요하다. 주의할 점은 이 모델들이 오픈 웨이트이며, 블로그에 언급된 Apache 2.0 라이선스와 전사 및 번역에 포함되는 언어 범위는 모델 카드와 게시자의 진술을 전한 것으로 보아야 한다는 것이다. 가중치를 다운로드할 수 있다는 것이 완전한 오픈 소스 라이선스 권리를 자동으로 의미하지는 않으며, 상업적 사용과 재배포 조건은 함께 제공되는 라이선스 텍스트를 확인해야 한다. 또한 이 세 가지 업데이트는 일반 음성 인프라와 무관하며 모두 구체적인 모델 버전 변경이지만, API와 서비스 가용성은 게시자가 결정하며 어떤 제3자 모델 카탈로그와도 무관하다.
연동 및 평가 제안
다음은 개발자를 위한 조건부 분석과 권고이며, 검증된 사실이 아니다. 결정 1: 다국어 전사를 granite-speech-5.0-2b로 전환할지 여부. 근거는 출처가 보고한 새 기능인 언어 ID 프롬프트와 최대 2000단어 키워드 편향이다. 선택할 때는 입력 언어를 프롬프트에서 명확히 알 수 있는지 구분해야 한다. 언어를 건별로 판별할 수 있다면 언어 ID 프롬프트를 추론 요청에 포함하고 프롬프트 없는 기준선과 대조할 수 있다. 오디오가 여러 언어가 섞여 있거나 언어를 모른다면 이 프롬프트의 이점은 불확실하므로 자동 언어 판별 성능을 중점 평가해야 한다. 전제 조건은 추론 스택이 프롬프트식 입력을 지원해야 한다는 것이다(블로그는 Transformers 기본 지원을 밝히고 vLLM, llama.cpp, mlx-audio를 예로 든다). 측정 가능한 평가 기준: 자체 제품명, 인명, 약어로 구성된 약 20~200단어 키워드 표에서 편향 활성화와 비활성화 시 편향 단어 오류율의 상대적 변화를 비교하고, 전체 WER이 악화되는지도 함께 기록한다. 결정 2: Turbo CTC 470M 개정판을 기존 영어 버전 대신 엣지 또는 고처리량 전사에 사용할지 여부. 근거는 출처가 보고한 두 가지 변화인 다국어 추가, 기본 구두점 및 대소문자, 그리고 IBM이 보고한 RTFx 향상이다. 선택 조건은 비즈니스에 비영어 전사가 필요한지에 달려 있다. 영어만 필요하고 기존 파이프라인에 구두점 복원 단계가 이미 외부에 있다면, 대체의 주요 이점은 그 단계를 제거하는 것과 처리량 향상이다. 다국어가 필요하다면 대상 언어가 블로그에 나열된 일곱 가지 안에 있는지 먼저 확인해야 한다. 평가 기준: 고정된 동시성과 하드웨어 조건에서 단위 길이 오디오의 처리 시간과 실제 오류율을 측정하고, 잔향이나 원거리 녹음이 포함된 샘플에서 별도로 집계한다. 블로그는 이 버전이 잔향 오디오를 명시적으로 겨냥해 학습되었다고 밝혔기 때문이다. 결정 3: 4.1-2b-plus를 회의 및 다화자 녹음의 직접 대체품으로 사용할지 여부. 근거는 출처가 보고한 가중치 개선과 변경되지 않은 항목, 즉 아키텍처, 프롬프트 형식, API가 그대로이고 WDER, cpWER, 전체 음성 타임스탬프 오프셋, 장문 음성 WER이 모두 감소했다는 점이다. 선택 조건은 기존 파이프라인이 이미 4.1의 프롬프트와 인터페이스에 맞춰 연동되어 있는 경우이며, 이때 대체 비용은 코드 변경보다 회귀 검증에 있다. 평가 기준: 자체 장시간 회의 녹음에서 화자 귀속 오류율과 타임스탬프 오프셋을 동시에 집계하고, 화자 전환 지점과 긴 오디오 후반부의 드리프트에 주목한다. 출처가 제시한 개선 폭이 하위 집합마다 일관되지 않기 때문이다. 위 평가는 모두 자체 데이터에서 수행해야 하며, 출처의 자체 보고 지표는 사전 정보로만 사용해야 한다.
제한과 확인할 사항
위 지표, 순위, 속도 데이터는 모두 IBM이 자체 보고한 블로그와 모델 카드에서 나온 것이며, 이 브리핑은 독립적으로 재현하거나 자체 데이터로 검증하지 않았다. 여러 구체적 수치에는 비교 가능한 제3자 재현이 없다. 예를 들어 19870 RTFx와 약 12600 RTFx의 비교는 동일 게시자의 측정 기준에서 나온 것이므로 환경 간 직접 비교가 불가능하다. 대소문자 F1의 89.7~99.5 범위는 각 테스트 세트의 구체적 분할 방식을 설명하지 않는다. 출처는 Turbo CTC 개정판과 4.1-2b-plus 개정판의 추가 언어별 오류율을 공개하지 않았고, 각 언어와 영어 간 상호 번역 방향의 세부 지표도 제시하지 않았으므로 다국어 성능에는 뚜렷한 미지수가 있다. 키워드 편향이 2000단어 상한에서 보이는 정확도와 초장문 키워드 목록이 초래하는 지연 비용도 출처는 설명하지 않았다. 명확히 밝혀야 할 점은 이 세 버전 모두 현재 KimiSeek 실시간 카탈로그에 대응 항목이 없으며, 이 브리핑에서 말하는 모델 가용성과 획득 방식(Transformers, vLLM, llama.cpp, mlx-audio 등)은 모두 IBM의 배포 채널을 가리키는 것이지 이 플랫폼에 이미 등록되었다는 뜻이 아니라는 것이다. 추후 등록 여부와 해당 호출 가격은 KimiSeek 가격 페이지를 기준으로 해야 한다. 라이선스 측면에서 블로그는 Apache 2.0으로 공개되었다고 밝혔지만, 가중치를 다운로드할 수 있다는 것이 라이선스 권리의 완전함을 의미하지는 않으며, 실제 상업적 사용과 재배포 조건은 함께 제공되는 라이선스와 모델 카드를 확인해야 한다. 마지막으로, 출처는 프로덕션 배포에서 Granite Guardian을 함께 사용해 위험 탐지를 하라고 권고하지만, 그 권고 자체에는 평가 데이터가 없으므로 채택 여부는 직접 테스트해야 한다.