Análisis en profundidad · Unos 6 min de lectura
Granite Speech 5 distingue precisión, capacidad y atribución de hablantes
IBM actualiza tres modelos de voz; sus idiomas, rendimiento y errores de identificación de hablantes requieren lecturas distintas.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
El anuncio de IBM del 21 de octubre presenta Granite Speech 5.0 2B y revisa Turbo CTC y 4.1 2B Plus. La elección depende de si se necesita transcripción o traducción multilingüe, procesamiento rápido o texto asociado a hablantes y tiempos. Los resultados citados son de IBM, no de una prueba de AISubHub.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- El modelo 2B declara seis idiomas de ASR y Turbo siete; traducir al mandarín no demuestra ASR en mandarín.
- Los 19,870 RTFx de Turbo miden rendimiento de procesamiento; Plus evalúa por separado errores temporales, de palabras y de atribución.
Elegir la salida antes que el número de versión
Los tres nombres corresponden a trabajos distintos. granite-speech-5.0-2b es un nuevo modelo de voz y lenguaje destinado a transcripción y traducción precisas. La revisión de granite-speech-5.0-470m-turboctc mantiene un codificador de 470 millones de parámetros orientado al alto rendimiento y a la transcripción en el dispositivo. Procesar audio rápidamente y producir una traducción no son requisitos equivalentes; compartir la etiqueta 5.0 no vuelve intercambiables ambos modelos.
granite-speech-4.1-2b-plus actualizado se dirige a reuniones, llamadas de soporte y grabaciones largas con varios hablantes. IBM conserva 4.1 porque no cambian la arquitectura, el formato de instrucciones ni la API, y describe los pesos como sustitución directa. Nuestro análisis: buscar en reuniones puede exigir localizar las palabras de una persona, algo que un promedio de transcripción de audio corto no resume. No conviene reducir los tres productos a una clasificación única.
Los idiomas y las listas de vocabulario tienen límites
El modelo 2B transcribe inglés, francés, alemán, español, portugués y japonés. Traduce en ambas direcciones entre inglés y francés, alemán, español, portugués o japonés, y adicionalmente de inglés a italiano y mandarín. Esta última capacidad produce una traducción: no añade mandarín a la lista ASR ni acredita la dirección inversa. La lista de siete idiomas ASR de Turbo añade italiano a los seis anteriores.
IBM declara 390,000 horas de audio público de entrenamiento, además de datos sintéticos para ASR japonés, sesgo por palabras clave y traducción. Describe también indicaciones del idioma, puntuación y mayúsculas solicitadas, y listas de hasta 2,000 términos para orientar transcripción y traducción. Este sesgo favorece nombres o siglas; no garantiza que el término suministrado se haya pronunciado. La comparación posterior de Plus utiliza listas de 20 términos, no el máximo de 2,000.
La modificación de Conformer trata del rendimiento
IBM afirma que compila un bloque Conformer y reutiliza su grafo en toda la pila. Así reduce el calentamiento y eleva Turbo CTC de aproximadamente 12,600 a 19,870 RTFx con la misma precisión declarada, alrededor de 1.6×. RTFx es el factor inverso de tiempo real: expresa capacidad de procesamiento respecto a la duración del audio en la configuración del benchmark. No mide la demora de respuesta de una petición.
Una alta capacidad sostenida puede coexistir con esperas por almacenamiento temporal, arranque, lotes o red. La comparación no establece esas demoras de extremo a extremo ni garantiza la misma velocidad en un dispositivo concreto. Interpretamos la reutilización del grafo como un mecanismo de optimización que merece comprobarse, no como una promesa de conversaciones interactivas 1.6× más rápidas.
La tabla de Plus contiene errores diferentes
En 4.1 2B Plus, IBM informa que el desplazamiento medio de marcas temporales AAS pasa de 210.86 a 98.54 para todo el audio y de 29.27 a 26.20 en la fila de audio corto. La tabla visible no da una unidad para AAS, por lo que no corresponde añadir milisegundos. El WER de audio largo pasa de 13.53 a 10.22; WDER, error de atribución de palabras a hablantes, de 4.40 a 4.10; y cpWER, error de transcripción con atribución, de 30.50 a 28.48.
Con listas de 20 términos, el WER de palabras favorecidas pasa de 11.79 a 6.48. IBM resume las mejoras de audio largo y palabras favorecidas en aproximadamente 24% y 45%, y las relacionadas con hablantes en torno al 7%. Son reducciones relativas, no descensos de esos mismos puntos porcentuales:13.53−10.22 son 3.31 puntos en la escala WER presentada. Una mejor alineación temporal no sustituye la comprobación de palabras correctas y hablantes bien asignados.
Mantener visibles la contradicción y las condiciones de uso
El gráfico estático de IBM para inglés corto da 5.06% de WER medio al modelo 2B. Su pie lo llama resultado oficial al 21 de octubre, mientras el pie de la comparación incrustada lo califica de no oficial al 15 de octubre y lo limita a conjuntos públicos de inglés corto y modelos de pesos abiertos; el iframe describe nueve conjuntos. Conservamos esa contradicción de fecha y condición. Leer el gráfico no verifica independientemente una clasificación oficial vigente ni la calidad multilingüe o en grabaciones largas.
IBM declara licencia Apache 2.0 y soporte nativo de Transformers para los tres modelos; para 2B menciona también vLLM, llama.cpp y mlx-audio en Apple Silicon. Nuestro análisis propone elegir primero la salida y después comprobar acentos, ruido, vocabulario, tiempos y hablantes representativos en la plataforma prevista. La licencia no garantiza costes de alojamiento, derechos sobre datos de producción, privacidad o disponibilidad. No ejecutamos modelos, no revisamos las fichas enlazadas ni probamos la demostración del navegador; el anuncio tampoco garantiza precios generales de producción o acceso regional.
Por qué importa
Análisis de AISubHub: la utilidad consiste en separar calidad del texto, capacidad de procesamiento y recuperación asociada a hablantes. Una evaluación local debe medir cada resultado, en vez de sustituirlos por una sola cifra destacada.
Límites y disponibilidad
Explicamos un lanzamiento redactado por IBM, incluidas etiquetas de gráficos internamente contradictorias. No es un benchmark independiente, una clasificación actual, una cotización de producción ni prueba de ASR en mandarín.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.