IBM 更新 Granite Speech 系列：新增 5.0-2B 多语种模型，Turbo CTC 提速约 1.6 倍
据 IBM 于 2026 年 10 月 21 日发布的官方博客，Granite Speech 系列有三项更新：新模型 granite-speech-5.0-2b 支持六语种转写与英译互译，Turbo CTC 470M 版新增多语种并把 RTFx 提升约 1.6 倍，4.1-2b-plus 改进说话人归属与时间戳。三者均以 Apache 2.0 许可发布。
发生了什么
据 IBM 于 2026 年 10 月 21 日发布的官方博客，Granite Speech 系列有三项更新。新增的 granite-speech-5.0-2b 是 granite-speech-4.1-2b 的同参数量继任者，可转写英语、法语、德语、西班牙语、葡萄牙语和日语，并在这些语言与英语间互译，另支持英语到意大利语与普通话的翻译；训练使用 39 万小时公开音频，外加为日语 ASR、关键词偏置与翻译构建的合成数据。新增能力包括语言 ID 提示、最多 2000 词的关键词偏置列表、按提示输出标点与大小写（博客称其测试集上大小写 F1 为 89.7 至 99.5）。已发布的 granite-speech-5.0-470m-turboctc 修订版保持 470M 编码器规模，加入英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语转写，并原生输出标点与大小写；IBM 称通过编译单个 Conformer 块并在堆栈中复用计算图，该模型在 Open ASR Leaderboard 上达到 19870 RTFx，而发布时约为 12600 RTFx，约快 1.6 倍，准确度水平相同。granite-speech-4.1-2b-plus 的修订版保留 4.1 名称，IBM 称架构、提示格式与 API 未变，属权重改进的直接替换；博客列出词级说话人分离错误率 WDER 从 4.40 降至 4.10、带说话人归属的 WER 从 30.50 降至 28.48、全部语音的平均时间戳偏移从 210.86 降至 98.54、长语音 WER 从 13.53 降至 10.22、20 词关键词列表下偏置词 WER 从 11.79 降至 6.48。博客称三个模型均以 Apache 2.0 许可发布，在 Transformers 中提供原生支持，5.0-2b 还支持 vLLM、llama.cpp 与面向 Apple Silicon 的 mlx-audio。上述数字与排名均为 IBM 自报。
对开发者的影响
对开发者的直接影响集中在三个可选替代路径上，而非单一模型升级。其一，若现有流水线使用语音语言模型做多语种转写并对专有名词错误敏感，5.0-2b 引入的提示级控制项是可评估的新变量：语言 ID 提示、最多 2000 词的关键词偏置以及按需标点与大小写，都属于推理时输入而非权重层改动，因此可以在不改动部署架构的前提下做对照测试。其二，Turbo CTC 修订版把多语种、原生标点与大小写，以及针对混响音频的训练一并加入，同时 IBM 报告 RTFx 从约 12600 提升到 19870，这对端侧或高吞吐场景意味着单位硬件可处理的音频时长显著上升；但 RTFx 是吞吐指标，IBM 称提升是在相同准确度水平下取得，不能据此推断其在具体噪声与口音分布上的错误率。其三，4.1-2b-plus 修订版被描述为架构、提示格式与 API 均未变的直接替换，时间戳、长语音与关键词偏置指标的改善幅度最大，这使得会议与客服录音流水线的复核与字幕对齐成本可能下降，但替换仍需以自身音频验证。需要注意的是，这些模型是开放权重，博客所述 Apache 2.0 许可以及转写与翻译所涉语言范围，应视为对模型卡与发布方的转述，权重可下载并不自动等同于完整的开源许可权利，商用与再分发条件仍应核对随附的许可文本。此外，这三项更新与 general 语音基础设施无关，均属具体模型版本变更，但其 API 与服务可用性由发布方决定，与任何第三方模型目录无关。
接入与评估建议
以下为面向开发者的条件性分析与建议，不是已核实的事实。决策一：是否把多语种转写切到 granite-speech-5.0-2b。依据是来源报告的新增能力——语言 ID 提示与最多 2000 词关键词偏置。做出选择时，应区分输入语言在提示中是否明确可知：若语言可逐条判定，可将语言 ID 提示纳入推理请求并对照不提示的基线；若音频为语种混说或语言未知，则该提示的收益不确定，应重点评估其自动语言判定表现。前提是推理栈需支持提示式输入（博客称 Transformers 原生支持，且列举 vLLM、llama.cpp、mlx-audio）。可测量的评估标准：在你自有产品名、人名与缩略语构成的约 20 至 200 词关键词表上，比较启用与禁用偏置时的偏置词错误率相对变化，并同时记录整体 WER 是否劣化。决策二：是否用 Turbo CTC 470M 修订版替换原英语版以承接端侧或高吞吐转写。依据是来源报告的两项变化——新增多语种与原生标点大小写，以及 IBM 报告的 RTFx 提升。做出选择的判断条件在于业务是否需要非英语转写：若只需英语且现有流水线已外挂标点还原步骤，替换的主要收益是去掉该步骤与吞吐提升；若需要多语种，则需先确认目标语种在博客列举的七种之内。评估标准：在固定并发与硬件条件下测量单位时长音频的处理时间与实际错词率，并在含混响或远场录音的样本上单独统计，因为博客称该版本明确针对混响音频训练。决策三：是否将 4.1-2b-plus 作为会议与多说话人录音的直接替换。依据是来源报告的权重改进与保持不变项——架构、提示格式、API 未变，且 WDER、cpWER、全语音时间戳偏移与长语音 WER 均有下降。选择条件是现有流水线已按 4.1 的提示与接口对接，此时替换成本主要在回归验证而非改代码。评估标准：在自有长会议录音上同时统计说话人归属错误率与时间戳偏移，重点关注跨说话人切换处与长音频后半段的漂移，因为来源给出的改善幅度在不同子集上并不一致。上述评估都应在自有数据上完成，来源自报指标只作为先验。
限制与待确认事项
上述指标、排名与速度数据均出自 IBM 自报的博客与模型卡，本简报未独立复现，也未在自有数据上验证。多个具体数值缺少可比的第三方复现：例如 19870 RTFx 与约 12600 RTFx 的对比来自同一发布方的测量口径，跨环境不具直接可比性；大小写 F1 的 89.7 至 99.5 区间未说明各测试集的具体划分方式。来源未披露 Turbo CTC 修订版与 4.1-2b-plus 修订版在新增语种上的逐语种错误率，也未给出各语种与英语互译方向的分项指标，因此多语种表现存在明显未知。关键词偏置在 2000 词上限下的准确性表现、超长关键词列表带来的延迟代价，来源均未说明。需要明确指出的是，这三个版本目前在 KimiSeek 的实时目录中均无对应条目，本简报所说的模型可用性与获取方式（Transformers、vLLM、llama.cpp、mlx-audio 等）均指 IBM 的发布渠道，并非本平台已上架；后续是否上架以及对应的调用价格，应以 KimiSeek 的定价页面为准。许可方面，博客称以 Apache 2.0 发布，但权重可下载不等于许可权利完整，实际商用与再分发条款仍需核对随附许可与模型卡。最后，来源建议在生产部署中搭配 Granite Guardian 做风险检测，该建议本身未附带评测数据，是否采纳需自行测试。