IBM atualiza a série Granite Speech: novo modelo multilíngue 5.0-2B, Turbo CTC cerca de 1,6 vezes mais rápido
Segundo o blog oficial da IBM publicado em 21 de outubro de 2026, a série Granite Speech recebeu três atualizações: o novo modelo granite-speech-5.0-2b suporta transcrição em seis idiomas e tradução mútua com o inglês; a versão Turbo CTC 470M adiciona multilinguismo e eleva o RTFx em cerca de 1,6 vezes; e a 4.1-2b-plus melhora a atribuição de locutor e os timestamps. Os três são publicados sob licença Apache 2.0.
O que mudou
Segundo o blog oficial da IBM publicado em 21 de outubro de 2026, a série Granite Speech recebeu três atualizações. O novo granite-speech-5.0-2b é o sucessor com o mesmo número de parâmetros do granite-speech-4.1-2b, capaz de transcrever inglês, francês, alemão, espanhol, português e japonês, e de traduzir entre esses idiomas e o inglês, além de suportar tradução de inglês para italiano e mandarim; o treinamento usou 390 mil horas de áudio público, mais dados sintéticos construídos para ASR em japonês, viés de palavras-chave e tradução. As novas capacidades incluem dica de ID de idioma, lista de viés de palavras-chave de até 2.000 palavras e saída de pontuação e maiúsculas/minúsculas sob demanda (o blog afirma F1 de maiúsculas/minúsculas de 89,7 a 99,5 em seus conjuntos de teste). A revisão publicada granite-speech-5.0-470m-turboctc mantém o tamanho do codificador de 470M, adiciona transcrição em inglês, japonês, espanhol, alemão, francês, italiano e português, e gera nativamente pontuação e maiúsculas/minúsculas; a IBM afirma que, ao compilar um único bloco Conformer e reutilizar o grafo de computação na pilha, o modelo alcança 19.870 RTFx no Open ASR Leaderboard, ante cerca de 12.600 RTFx no lançamento, aproximadamente 1,6 vezes mais rápido, com o mesmo nível de precisão. A revisão do granite-speech-4.1-2b-plus mantém o nome 4.1; a IBM afirma que arquitetura, formato de prompt e API não mudaram, sendo uma substituição direta por melhoria de pesos; o blog lista a taxa de erro de diarização em nível de palavra (WDER) caindo de 4,40 para 4,10, o WER com atribuição de locutor de 30,50 para 28,48, o desvio médio de timestamp em toda a fala de 210,86 para 98,54, o WER em fala longa de 13,53 para 10,22 e o WER de palavras com viés em lista de 20 palavras-chave de 11,79 para 6,48. O blog afirma que os três modelos são publicados sob licença Apache 2.0, com suporte nativo no Transformers, e que o 5.0-2b também suporta vLLM, llama.cpp e mlx-audio para Apple Silicon. Os números e rankings acima são todos autodeclarados pela IBM.
Impacto para desenvolvedores
O impacto direto para desenvolvedores concentra-se em três caminhos alternativos de escolha, e não em uma única atualização de modelo. Primeiro, se o pipeline atual usa um modelo de linguagem de fala para transcrição multilíngue e é sensível a erros em nomes próprios, os controles em nível de prompt introduzidos pelo 5.0-2b são uma nova variável a avaliar: dica de ID de idioma, viés de palavras-chave de até 2.000 palavras e pontuação e maiúsculas/minúsculas sob demanda são entradas de inferência, não alterações na camada de pesos, portanto podem ser testados em comparação sem mudar a arquitetura de implantação. Segundo, a revisão do Turbo CTC adiciona multilinguismo, pontuação e maiúsculas/minúsculas nativas e treinamento para áudio com reverberação, enquanto a IBM relata RTFx subindo de cerca de 12.600 para 19.870, o que para cenários embarcados ou de alto throughput significa aumento significativo na duração de áudio processável por unidade de hardware; mas RTFx é uma métrica de throughput, e a IBM afirma que o ganho foi obtido no mesmo nível de precisão, o que não permite inferir sua taxa de erro em distribuições específicas de ruído e sotaque. Terceiro, a revisão do 4.1-2b-plus é descrita como substituição direta sem mudanças em arquitetura, formato de prompt e API, com as maiores melhorias em timestamps, fala longa e viés de palavras-chave, o que pode reduzir o custo de revisão e alinhamento de legendas em pipelines de reuniões e gravações de atendimento, mas a substituição ainda precisa ser validada com áudio próprio. Vale notar que esses modelos são de pesos abertos, e a licença Apache 2.0 citada no blog, bem como o escopo de idiomas envolvidos em transcrição e tradução, devem ser tratados como relato do model card e do publicador; pesos disponíveis para download não equivalem automaticamente a direitos completos de licença de código aberto, e condições de uso comercial e redistribuição ainda devem ser conferidas no texto da licença que os acompanha. Além disso, essas três atualizações não têm relação com infraestrutura genérica de fala; são mudanças de versões específicas de modelo, mas sua disponibilidade de API e serviço é decidida pelo publicador, independentemente de qualquer catálogo de modelos de terceiros.
Integração e avaliação
A seguir estão análises e recomendações condicionais para desenvolvedores, não fatos já verificados. Decisão um: migrar ou não a transcrição multilíngue para o granite-speech-5.0-2b. A base é a capacidade nova relatada na fonte — dica de ID de idioma e viés de palavras-chave de até 2.000 palavras. Ao decidir, deve-se distinguir se o idioma de entrada é conhecido explicitamente no prompt: se o idioma puder ser determinado item a item, pode-se incluir a dica de ID de idioma na requisição de inferência e comparar com uma linha de base sem dica; se o áudio for misto ou o idioma desconhecido, o benefício da dica é incerto, e deve-se avaliar com foco seu desempenho de determinação automática de idioma. O pré-requisito é que a pilha de inferência suporte entrada por prompt (o blog afirma suporte nativo no Transformers e lista vLLM, llama.cpp e mlx-audio). Critério mensurável: em sua própria lista de cerca de 20 a 200 palavras-chave composta por nomes de produtos, pessoas e siglas, comparar a variação relativa da taxa de erro em palavras com viés ao ativar e desativar o viés, e registrar simultaneamente se o WER geral piora. Decisão dois: substituir ou não a versão original em inglês pela revisão Turbo CTC 470M para transcrição embarcada ou de alto throughput. A base são duas mudanças relatadas na fonte — multilinguismo e pontuação/maiúsculas nativas, e o ganho de RTFx relatado pela IBM. A condição para decidir é se o negócio precisa de transcrição em idiomas diferentes do inglês: se apenas inglês for necessário e o pipeline atual já tiver uma etapa externa de restauração de pontuação, o principal benefício da substituição é remover essa etapa e o ganho de throughput; se multilinguismo for necessário, deve-se primeiro confirmar se os idiomas-alvo estão entre os sete listados no blog. Critério de avaliação: medir, sob concorrência e hardware fixos, o tempo de processamento por unidade de duração de áudio e a taxa real de erro de palavras, e contabilizar separadamente em amostras com reverberação ou gravação de campo distante, pois o blog afirma que essa versão foi explicitamente treinada para áudio com reverberação. Decisão três: adotar ou não o 4.1-2b-plus como substituição direta para reuniões e gravações com múltiplos falantes. A base são as melhorias de pesos e os itens inalterados relatados na fonte — arquitetura, formato de prompt e API inalterados, com quedas em WDER, cpWER, desvio de timestamp em toda a fala e WER em fala longa. A condição de escolha é que o pipeline atual já esteja integrado ao prompt e à interface do 4.1, caso em que o custo da substituição está principalmente na validação de regressão, não na alteração de código. Critério de avaliação: em suas próprias gravações longas de reunião, medir simultaneamente a taxa de erro de atribuição de locutor e o desvio de timestamp, com foco nas transições entre falantes e na deriva na segunda metade de áudios longos, pois as magnitudes de melhoria fornecidas pela fonte não são consistentes entre subconjuntos. Todas essas avaliações devem ser feitas com dados próprios; as métricas autodeclaradas pela fonte servem apenas como prior.
Limites e pontos a confirmar
As métricas, rankings e dados de velocidade acima vêm de blog e model card autodeclarados pela IBM; este resumo não os reproduziu de forma independente nem os validou em dados próprios. Vários números específicos carecem de reprodução comparável por terceiros: por exemplo, a comparação entre 19.870 RTFx e cerca de 12.600 RTFx vem da mesma medição do publicador e não é diretamente comparável entre ambientes; o intervalo de F1 de maiúsculas/minúsculas de 89,7 a 99,5 não especifica como cada conjunto de teste foi dividido. A fonte não divulga taxas de erro por idioma para os idiomas adicionados nas revisões do Turbo CTC e do 4.1-2b-plus, nem métricas detalhadas por direção de tradução entre cada idioma e o inglês, portanto há incerteza significativa no desempenho multilíngue. O desempenho de precisão do viés de palavras-chave com limite de 2.000 palavras e o custo de latência de listas de palavras-chave muito longas não são explicados pela fonte. É preciso deixar claro que essas três versões não têm entrada correspondente no catálogo em tempo real do KimiSeek; a disponibilidade e as formas de obtenção mencionadas neste resumo (Transformers, vLLM, llama.cpp, mlx-audio etc.) referem-se aos canais de publicação da IBM, não a uma disponibilização nesta plataforma; a eventual inclusão futura e os preços de chamada correspondentes devem ser consultados na página de preços do KimiSeek. Sobre licenciamento, o blog afirma publicação sob Apache 2.0, mas pesos disponíveis para download não significam direitos completos de licença; os termos reais de uso comercial e redistribuição ainda devem ser conferidos na licença que os acompanha e no model card. Por fim, a fonte recomenda combinar o Granite Guardian para detecção de riscos em implantação de produção; essa recomendação não vem acompanhada de dados de avaliação, e sua adoção depende de teste próprio.