IBM 发布 Granite Speech 5.0 2B，支持多语言转写与翻译

核心事实

据 MarkTechPost 报道，IBM 发布了 Granite Speech 5.0 2B，这是一款面向语音转写与语音翻译的开源语音语言模型，参数量为 2B，采用 Apache 2.0 许可，支持 6 种语言的语音转文字。报道同时提到，IBM 更新了两款既有模型：面向边缘设备的 Turbo CTC，以及侧重说话人分离的 4.1 2B Plus。据模型卡描述，该模型由三部分组成：经 CTC 训练的 16 层 Conformer 语音编码器、2 层 window q-former 投影模块，以及基于 granite-4.0-1b-base 中间检查点、用 YaRN 扩展至 16k 位置并经 LoRA 微调的语言模型主干。

背景与影响

报道称，相较 Granite Speech 4.1 2B，新版本增加了语言 ID 提示、最多 2000 个词条的关键词偏置、按需输出标点与大小写，并提升了对噪声、混响和远场麦克风的鲁棒性。在 Open ASR Leaderboard 上，IBM 模型卡给出的英文平均词错误率为 5.68%，报道称其在该榜单位居开源权重模型第二，仅次于 Qwen3-ASR-1.7B 的 5.40%。报道还指出一处数据冲突：IBM 博客给出的数字为 5.06%，但该口径仅覆盖公开短语音测试集。部署方面，模型可在 Transformers、vLLM、llama.cpp 与 mlx-audio 中运行，GGUF 格式推荐 Q8_0。更新后的 Turbo CTC 保持 470M 规模，报道称其吞吐提升至 19,870 RTFx，并覆盖 7 种语言。

限制与来源

上述性能数字均来自 IBM 模型卡与第三方榜单的转述，未经独立复测；不同测试集结果差异明显，例如 LibriSpeech Clean 为 0.99%，而私有对话集为 13.79%，日语为报道中最弱的语言。报道称英译普通话未做评估。模型推荐音频片段约 2 分钟以内，低位量化在超过约 1 分钟的音频上会损失精度。具体功能、语言支持与许可条款请以 IBM 官方模型卡和官网当前信息为准。本文信息来源为 MarkTechPost 的报道。