Vertiefende Analyse · Etwa 5 Min. Lesezeit
Granite Speech 5 trennt Genauigkeit, Durchsatz und Sprecherzuordnung
IBM aktualisiert drei Sprachmodelle. Sprachabdeckung, Durchsatz und sprecherbezogene Fehler verlangen unterschiedliche Maßstäbe.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
IBMs Ankündigung vom 21. Oktober stellt Granite Speech 5.0 2B vor und überarbeitet Turbo CTC sowie 4.1 2B Plus. Entscheidend ist die benötigte Ausgabe: mehrsprachige Transkription oder Übersetzung, schnelle Verarbeitung oder Text mit Sprechern und Zeitmarken. Die genannten Ergebnisse stammen aus IBMs Artikel, nicht aus einem AISubHub-Modelltest.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Das neue 2B-Modell nennt sechs ASR-Sprachen, Turbo sieben. Eine Übersetzung ins Mandarin belegt keine Mandarin-Spracherkennung.
- Turbos 19,870 RTFx beschreiben Benchmark-Durchsatz; Plus misst Zeit-, Wort- und Zuordnungsfehler getrennt.
Zuerst die Ausgabe wählen, dann die Versionsnummer
Die drei Bezeichnungen stehen für unterschiedliche Aufgaben. granite-speech-5.0-2b ist ein neues Sprach-Audio-Modell für genaue Transkription und Übersetzung. Das aktualisierte granite-speech-5.0-470m-turboctc behält einen Encoder mit 470 Millionen Parametern und zielt auf hohen Durchsatz sowie Transkription auf dem Gerät. Audio schnell zu verarbeiten und übersetzten Text zu erzeugen sind verschiedene Anforderungen. Das gemeinsame 5.0 macht die Modelle nicht austauschbar.
Das überarbeitete granite-speech-4.1-2b-plus richtet sich an Besprechungen, Supportanrufe und andere lange Aufnahmen mit mehreren Sprechern. IBM behält 4.1 bei, weil Architektur, Promptformat und API unverändert bleiben, und beschreibt die Gewichte als direkten Ersatz. Unsere Analyse: Bei der Suche in Besprechungen kann es wichtiger sein, die Worte einer bestimmten Person zu finden, als einen Durchschnittswert für kurze Aufnahmen zu optimieren. Die drei Produkte gehören deshalb nicht in eine einzige Qualitätsrangfolge.
Sprachrichtungen und Wortlisten haben Grenzen
Das 2B-Modell transkribiert Englisch, Französisch, Deutsch, Spanisch, Portugiesisch und Japanisch. Es übersetzt zwischen Englisch und den fünf anderen genannten Sprachen in beide Richtungen, zusätzlich von Englisch ins Italienische und Mandarin. Letzteres ist eine Übersetzungsausgabe: Mandarin wird damit weder zur ASR-Liste hinzugefügt noch ist die Gegenrichtung belegt. Turbos ASR-Liste umfasst sieben Sprachen und ergänzt die sechs genannten um Italienisch.
IBM nennt 390,000 Stunden öffentliches Trainingsaudio sowie zusätzliche synthetische Daten für japanische ASR, Schlüsselwort-Biasing und Übersetzung. Beschrieben werden außerdem Sprachangaben im Prompt, Satzzeichen und Großschreibung auf Wunsch sowie Listen mit bis zu 2,000 Begriffen zur Steuerung von Transkription und Übersetzung. Biasing begünstigt Namen oder Abkürzungen, garantiert aber nicht, dass ein vorgegebener Begriff gesprochen wurde. Der spätere Plus-Vergleich verwendet 20 Begriffe, nicht das Maximum von 2,000.
Die Conformer-Änderung betrifft den Durchsatz
IBM kompiliert nach eigener Aussage einen einzelnen Conformer-Block und verwendet dessen Graphen im gesamten Stapel wieder. Das verkürzt die Aufwärmphase und erhöht Turbo CTC bei unverändert berichteter Genauigkeit von ungefähr 12,600 auf 19,870 RTFx, also um etwa den Faktor 1.6. RTFx ist der inverse Echtzeitfaktor: Er beschreibt den Verarbeitungsdurchsatz im Verhältnis zur Audiodauer unter den Benchmark-Bedingungen. Er misst nicht die Antwortverzögerung einer einzelnen Anfrage.
Hoher dauerhafter Durchsatz kann mit Wartezeiten für Pufferung, Start, Stapelverarbeitung oder Netzwerk einhergehen. Der Vergleich belegt weder diese Ende-zu-Ende-Latenzen noch eine bestimmte Geschwindigkeit auf einem konkreten Gerät. Wir verstehen die Graphenwiederverwendung als überprüfbaren Optimierungsmechanismus, nicht als Zusage eines 1.6-mal schnelleren interaktiven Gesprächs.
Die Plus-Tabelle enthält verschiedene Fehlermaße
Für 4.1 2B Plus sinkt laut IBM die durchschnittliche Zeitstempelverschiebung AAS über alle Sprachaufnahmen von 210.86 auf 98.54; die Zeile für kurze Aufnahmen zeigt 29.27 auf 26.20. Die sichtbare Tabelle nennt keine AAS-Einheit, weshalb Millisekunden nicht ergänzt werden dürfen. Langform-WER verändert sich von 13.53 auf 10.22, der Wort-Sprecher-Zuordnungsfehler WDER von 4.40 auf 4.10 und der sprecherbezogene Transkriptionsfehler cpWER von 30.50 auf 28.48.
Mit 20-Begriffe-Listen verändert sich der WER bevorzugter Wörter von 11.79 auf 6.48. IBM fasst die Verbesserungen für lange Aufnahmen und bevorzugte Wörter mit ungefähr 24% und 45% zusammen, die sprecherbezogenen mit etwa 7%. Das sind relative Rückgänge, keine Abnahmen um dieselbe Anzahl Prozentpunkte:13.53−10.22 sind 3.31 Punkte auf der angegebenen WER-Skala. Eine bessere zeitliche Ausrichtung ersetzt nicht die Kontrolle der Wörter und ihrer Zuordnung zu den richtigen Personen.
Diagrammwiderspruch und Einsatzgrenzen offenlegen
IBMs statisches Diagramm für kurze englische Aufnahmen weist dem 2B-Modell 5.06% durchschnittlichen WER zu. Die Bildunterschrift bezeichnet die Ergebnisse als offiziell mit Stand 21. Oktober. Der Fußtext des eingebetteten Vergleichs nennt sie dagegen inoffiziell mit Stand 15. Oktober und beschränkt sie auf öffentliche englische Kurzform-Tests und Modelle mit offenen Gewichten; der iframe beschreibt neun Testsätze. Wir erhalten diesen Datums- und Statuswiderspruch. Das Lesen des Diagramms verifiziert weder eine aktuelle offizielle Rangliste noch mehrsprachige oder Langform-Qualität unabhängig.
IBM nennt Apache 2.0 und native Transformers-Unterstützung für alle drei Modelle; für 2B zusätzlich vLLM, llama.cpp und mlx-audio auf Apple Silicon. Unsere Analyse empfiehlt, zuerst die Ausgabe zu wählen und danach repräsentative Akzente, Störungen, Wörter, Zeitmarken und Sprecher im vorgesehenen Stack zu prüfen. Die Lizenz garantiert keine Hostingkosten, Rechte an Produktionsdaten, Privatsphäre oder Verfügbarkeit. Wir haben die Modelle nicht ausgeführt, verlinkte Modellkarten nicht geprüft und die Browser-Demo nicht getestet; die Ankündigung garantiert weder allgemeine Produktionspreise noch regionalen Zugang.
Warum es wichtig ist
AISubHub-Analyse: Der Nutzen liegt in einer klareren Trennung zwischen Textqualität, Verarbeitungskapazität und sprecherbezogener Suche. Eine lokale Evaluation sollte diese Ergebnisse getrennt messen, statt sie durch eine Schlagzeilenkennzahl zu ersetzen.
Grenzen und Verfügbarkeit
Wir erklären eine von IBM verfasste Veröffentlichung einschließlich widersprüchlicher Diagrammangaben. Das ist kein unabhängiger Benchmark, aktuelles Ranking, Produktionspreis oder Nachweis von Mandarin-ASR.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.