Análise aprofundada · Cerca de 6 min de leitura
Granite Speech 5 separa precisão, capacidade e atribuição de falantes
As três atualizações da IBM exigem distinguir idiomas, vazão de processamento e erros de identificação de falantes.
- Publicado aqui
- Data da fonte
- Fonte verificada
No anúncio de 21 de outubro, a IBM apresenta Granite Speech 5.0 2B e revisa Turbo CTC e 4.1 2B Plus. A escolha depende da saída necessária: transcrição ou tradução multilíngue, processamento rápido ou texto ligado a falantes e horários. Os resultados abaixo pertencem ao artigo da IBM, não a um teste de modelos pelo AISubHub.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- O novo 2B lista seis idiomas ASR; Turbo lista sete. Tradução para mandarim não comprova ASR em mandarim.
- Os 19,870 RTFx do Turbo expressam vazão no benchmark; Plus informa separadamente erros de tempo, palavras e atribuição.
Escolha a saída antes do número da versão
Os três nomes representam tarefas diferentes. granite-speech-5.0-2b é um novo modelo de fala e linguagem para transcrição e tradução precisas. O granite-speech-5.0-470m-turboctc atualizado mantém um codificador de 470 milhões de parâmetros voltado à alta vazão e à transcrição no dispositivo. Processar áudio rapidamente e produzir uma tradução são exigências distintas; a marca 5.0 não torna os dois modelos intercambiáveis.
O granite-speech-4.1-2b-plus atualizado visa reuniões, chamadas de suporte e gravações longas com vários falantes. Segundo a IBM, arquitetura, formato dos prompts e API permanecem iguais, justificando o nome 4.1 e a descrição dos pesos como substituição direta. Nossa análise: a busca em reuniões pode depender de encontrar o que uma pessoa disse e quando; a média de transcrição de áudio curto não resume isso. Os três produtos não devem virar uma classificação única de qualidade.
Idiomas e orientação por vocabulário têm fronteiras
O 2B transcreve inglês, francês, alemão, espanhol, português e japonês. As traduções declaradas são bidirecionais entre inglês e francês, alemão, espanhol, português ou japonês, além de inglês para italiano e mandarim. Esta última capacidade é saída de tradução: não adiciona mandarim à lista ASR nem demonstra tradução na direção contrária. A lista ASR de sete idiomas do Turbo acrescenta italiano aos seis anteriores.
A IBM informa 390,000 horas de áudio público no treinamento, mais dados sintéticos para ASR japonês, orientação por palavras-chave e tradução. Também descreve indicação do idioma no prompt, pontuação e maiúsculas sob solicitação e listas de até 2,000 termos para orientar transcrição e tradução. Esse viés favorece nomes e siglas, mas não garante que um termo fornecido foi realmente falado. A comparação posterior do Plus usa listas de 20 termos, não o limite de 2,000.
A mudança no Conformer é uma alegação de vazão
A IBM diz compilar um único bloco Conformer e reutilizar seu grafo em toda a pilha. Isso reduz o aquecimento e leva o Turbo CTC de cerca de 12,600 a 19,870 RTFx, mantendo a precisão declarada: aproximadamente 1.6×. RTFx é o fator inverso de tempo real, uma medida de capacidade em relação à duração do áudio na configuração do benchmark. Não corresponde ao atraso de resposta de uma requisição.
Uma alta vazão sustentada ainda pode envolver espera por buffer, inicialização, processamento em lotes ou rede. A comparação não estabelece essas latências de ponta a ponta nem garante a mesma velocidade em um aparelho específico. Interpretamos a reutilização de grafos como um mecanismo de otimização a verificar, não como promessa de uma conversa interativa 1.6× mais rápida.
A tabela do Plus separa tipos de erro
Para 4.1 2B Plus, o deslocamento médio de timestamps AAS muda de 210.86 para 98.54 em todo o áudio e de 29.27 para 26.20 na linha de áudio curto. A tabela visível não indica a unidade de AAS; portanto, não devemos acrescentar milissegundos. O WER de áudio longo passa de 13.53 para 10.22; o WDER, erro de atribuição de palavras a falantes, de 4.40 para 4.10; e o cpWER de transcrições atribuídas, de 30.50 para 28.48.
Com listas de 20 termos, o WER das palavras favorecidas cai de 11.79 para 6.48. A IBM resume as reduções de áudio longo e palavras favorecidas como aproximadamente 24% e 45%, e as relacionadas a falantes como cerca de 7%. São reduções relativas, não quedas desses mesmos pontos percentuais:13.53−10.22 equivale a 3.31 pontos na escala WER apresentada. Melhor alinhamento temporal não substitui verificar se as palavras e seus falantes estão corretos.
Preserve a divergência dos gráficos e os limites de implantação
O gráfico estático de inglês curto da IBM apresenta 5.06% de WER médio para 2B. Sua legenda chama os resultados de oficiais em 21 de outubro; já o rodapé da comparação incorporada diz que são não oficiais em 15 de outubro e limita o escopo a conjuntos públicos de inglês curto e modelos de pesos abertos. O iframe descreve nove conjuntos. Preservamos o conflito de datas e status. Ler o gráfico não verifica independentemente um ranking oficial atual nem qualidade multilíngue ou em gravações longas.
A IBM declara licença Apache 2.0 e suporte nativo no Transformers para os três modelos; para 2B, cita ainda vLLM, llama.cpp e mlx-audio em Apple Silicon. Nossa análise é selecionar a saída e depois testar sotaques, ruído, vocabulário, timestamps e falantes representativos na plataforma desejada. A licença não garante custos de hospedagem, autorização dos dados de produção, privacidade ou disponibilidade. Não executamos modelos, não examinamos model cards vinculados nem testamos a demonstração no navegador; o anúncio não oferece garantia geral de preço de produção ou acesso regional.
Por que importa
Análise do AISubHub: a utilidade está em separar qualidade da transcrição, capacidade de processamento e recuperação por falante. Uma avaliação local deve manter esses resultados distintos, sem substituí-los por um único número de destaque.
Limites e disponibilidade
Esta é uma explicação do lançamento escrito pela IBM, incluindo legendas internamente inconsistentes. Não é benchmark independente, ranking atual, preço de produção nem comprovação de ASR em mandarim.
Fontes e evidências
Data da fonte: · Fonte verificada:
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.