Analyse approfondie · Environ 6 min de lecture
Granite Speech 5 distingue précision, débit et attribution aux locuteurs
Les trois mises à jour d’IBM demandent de séparer langues, débit et erreurs associant les mots à leurs locuteurs.
- Publié ici
- Date de la source
- Source vérifiée
L’annonce IBM du 21 octobre présente Granite Speech 5.0 2B et révise Turbo CTC ainsi que 4.1 2B Plus. Le choix dépend de la sortie attendue : transcription ou traduction multilingue, traitement rapide, ou texte associé aux locuteurs et aux horodatages. Les résultats cités proviennent d’IBM, pas d’un test des modèles par AISubHub.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Le nouveau 2B annonce six langues de reconnaissance vocale et Turbo sept. Traduire vers le mandarin ne prouve pas sa reconnaissance vocale.
- Les 19,870 RTFx de Turbo décrivent le débit du benchmark ; Plus distingue erreurs temporelles, lexicales et d’attribution.
Choisir la sortie avant le numéro de version
Les trois références répondent à des besoins différents. granite-speech-5.0-2b est un nouveau modèle parole-langage pour la transcription et la traduction précises. Le granite-speech-5.0-470m-turboctc révisé conserve un encodeur de 470 millions de paramètres destiné au débit élevé et à la transcription sur appareil. Traiter rapidement du son et produire une traduction sont deux exigences distinctes : l’étiquette 5.0 ne rend pas les deux modèles interchangeables.
Le granite-speech-4.1-2b-plus mis à jour vise réunions, appels d’assistance et autres enregistrements longs à plusieurs locuteurs. IBM conserve 4.1 car l’architecture, le format des instructions et l’API ne changent pas, et présente les poids comme remplacement direct. Notre analyse : retrouver les paroles d’une personne dans une réunion peut compter davantage qu’une moyenne sur de courts extraits. Ces trois produits ne doivent donc pas être réduits à un classement unique.
Les directions linguistiques et le vocabulaire restent délimités
Le 2B transcrit l’anglais, le français, l’allemand, l’espagnol, le portugais et le japonais. Il traduit dans les deux sens entre l’anglais et les cinq autres langues citées, et de l’anglais vers l’italien et le mandarin. Ces dernières sorties de traduction n’ajoutent pas le mandarin à la liste ASR et n’établissent pas le sens inverse. Les sept langues de transcription de Turbo ajoutent l’italien aux six précédentes.
IBM annonce 390,000 heures d’audio public d’entraînement, auxquelles s’ajoutent des données synthétiques pour la reconnaissance du japonais, le biais lexical et la traduction. L’article décrit aussi le choix de langue dans l’instruction, la ponctuation et les majuscules sur demande, et des listes allant jusqu’à 2,000 termes pour guider transcription et traduction. Favoriser un nom ou un sigle ne garantit pas qu’il a été prononcé. La comparaison Plus décrite ensuite utilise 20 termes, et non la capacité maximale de 2,000.
L’optimisation Conformer concerne le débit
IBM explique compiler un seul bloc Conformer, puis réutiliser son graphe dans toute la pile. L’opération réduit l’échauffement et fait passer Turbo CTC d’environ 12,600 à 19,870 RTFx à précision déclarée inchangée, soit approximativement 1.6×. RTFx est le facteur inverse du temps réel : il exprime le débit de traitement rapporté à la durée audio dans la configuration du benchmark. Il ne mesure pas le délai d’une requête isolée.
Un débit soutenu élevé peut coexister avec des attentes de mise en mémoire tampon, de démarrage, de regroupement en lots ou de réseau. La comparaison ne mesure pas ces latences de bout en bout et ne garantit pas cette vitesse sur un appareil donné. Nous considérons la réutilisation du graphe comme un mécanisme à vérifier, pas comme la promesse d’une conversation interactive 1.6× plus rapide.
La table Plus mesure plusieurs erreurs différentes
Pour 4.1 2B Plus, IBM fait passer le décalage temporel moyen AAS de 210.86 à 98.54 sur l’ensemble des paroles, et de 29.27 à 26.20 sur les extraits courts. Aucune unité AAS n’est indiquée dans la table visible : il ne faut pas inventer des millisecondes. Le WER des enregistrements longs passe de 13.53 à 10.22, le WDER d’attribution des mots aux locuteurs de 4.40 à 4.10, et le cpWER des transcriptions attribuées de 30.50 à 28.48.
Avec des listes de 20 termes, le WER des mots favorisés passe de 11.79 à 6.48. IBM résume les progrès sur les paroles longues et ces mots à environ 24% et 45%, et ceux liés aux locuteurs à environ 7%. Ce sont des réductions relatives, pas des baisses du même nombre de points de pourcentage :13.53−10.22 représente 3.31 points sur l’échelle WER présentée. Une meilleure synchronisation ne dispense pas de vérifier les mots et leur attribution aux bonnes personnes.
Conserver le désaccord des graphiques et les limites pratiques
Le graphique statique IBM d’anglais court indique 5.06% de WER moyen pour 2B. Sa légende parle de résultats officiels au 21 octobre, mais le pied de la comparaison intégrée les dit non officiels au 15 octobre et limite leur portée aux jeux publics d’anglais court et aux modèles à poids ouverts ; l’iframe décrit neuf jeux. Nous conservons cette contradiction de dates et de statut. Lire le graphique ne vérifie pas indépendamment un classement officiel actuel ni la qualité multilingue ou sur de longs enregistrements.
IBM annonce Apache 2.0 et une prise en charge native dans Transformers pour les trois modèles ; pour 2B, il cite aussi vLLM, llama.cpp et mlx-audio sur Apple Silicon. Notre analyse consiste à choisir la sortie, puis à tester accents, bruit, vocabulaire, horodatages et locuteurs représentatifs dans la pile visée. La licence ne garantit ni coûts d’hébergement, ni droits sur les données de production, ni confidentialité ou disponibilité. Nous n’avons exécuté aucun modèle, examiné aucune fiche liée ni testé la démonstration navigateur ; l’annonce ne garantit pas de prix général de production ou d’accès régional.
Pourquoi cela compte
Analyse AISubHub : l’intérêt est de distinguer qualité du texte, capacité de traitement et recherche par locuteur. Une évaluation locale doit examiner chaque résultat plutôt que les remplacer par un score mis en avant.
Limites et disponibilité
Nous expliquons une annonce rédigée par IBM, y compris ses légendes contradictoires. Ce n’est ni un benchmark indépendant, ni un classement actuel, ni un tarif de production, ni la preuve d’une reconnaissance du mandarin.
Sources et preuves
Date de la source: · Source vérifiée:
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.