The Pulse
IBM aggiorna Granite Speech con un modello da 19.870 RTFx
L’aggiornamento di Granite Speech di IBM comprende un modello Turbo CTC che, secondo i dati riportati, raggiunge 19.870 RTFx e un modello multilingue 2B con un tasso medio ufficiale di errore sulle parole in inglese del 5,06%. Viene inoltre
AI.info Team · Scritto con l’IA · verificato ·
IBM afferma che il modello aggiornato Granite Speech Turbo CTC raggiunge 19.870 RTFx nella Open ASR Leaderboard, elaborando l’audio a una velocità di gran lunga superiore a quella in tempo reale. L’annuncio del 21 ottobre presenta anche un modello da 2 miliardi di parametri per la trascrizione e la traduzione multilingue e aggiorna un modello progettato per identificare i parlanti e segnare i tempi delle parole. IBM propone i tre modelli per compiti diversi legati al parlato, anziché offrire un unico modello per ogni flusso di lavoro di trascrizione.
19.870 RTFx, con una precisazione sulla classifica
Turbo CTC è un modello da 470 milioni di parametri progettato per la trascrizione ad alta capacità e sul dispositivo. L’aggiornamento aggiunge all’inglese giapponese, spagnolo, tedesco, francese, italiano e portoghese, e produce punteggiatura e maiuscole senza una fase di elaborazione separata. IBM afferma che una modifica al modo in cui compila e riutilizza un blocco Conformer ha portato la velocità dichiarata da circa 12.600 RTFx al lancio a 19.870 RTFx.
Il dato sulla velocità richiede una precisazione: la scheda aggiornata del modello indica come non ufficiale il risultato di Turbo CTC nella classifica, perché la voce in classifica corrisponde ancora alla precedente versione limitata all’inglese. IBM riferisce inoltre che, dopo l’aggiornamento, il tasso medio di errore sulle parole in inglese del modello è migliorato, passando dal 5,78% al 5,51%. Questi dati provengono dai test di IBM, non da un confronto indipendente su registrazioni di clienti reali.
Il modello 2B aggiunge traduzione ed elenchi di parole chiave
Il nuovo Granite Speech 5.0 2B succede a Granite Speech 4.1 2B con lo stesso numero di parametri. La scheda del modello indica il 20 ottobre 2026 come data di pubblicazione. Trascrive inglese, francese, tedesco, spagnolo, portoghese e giapponese e traduce tra l’inglese e queste lingue; traduce inoltre dall’inglese verso l’italiano e il mandarino. IBM afferma che il modello è stato addestrato su 390.000 ore di audio pubblico, oltre che su dati sintetici per il riconoscimento del giapponese, l’attribuzione di maggior peso alle parole chiave e la traduzione.
Gli utenti possono specificare la lingua dell’input in un prompt e fornire elenchi di parole chiave fino a 2.000 termini, come nomi di prodotti, persone e acronimi. IBM riferisce che, al 21 ottobre 2026, il modello si colloca al secondo posto tra i modelli di riconoscimento vocale a pesi aperti per tasso medio di errore sulle parole in inglese, con un risultato ufficiale del 5,06% su set di test pubblici con registrazioni brevi. Tassi di errore più bassi indicano una trascrizione migliore.
Gli autori dell’annuncio, George Saon e Brian Kingsbury, scrivono:
«La traduzione mantiene la sua qualità anche su brani più lunghi e con un parlato più naturale, non soltanto su brevi frasi lette ad alta voce.»
Il modello è distribuito con licenza Apache 2.0 e supporta Transformers, vLLM, llama.cpp e mlx-audio per Apple Silicon. La scheda del modello consiglia di trascrivere segmenti della durata massima di circa due minuti e di suddividere le registrazioni più lunghe prima della decodifica.
Speech 4.1 Plus per riunioni e chiamate
Il terzo aggiornamento riguarda Granite Speech 4.1 2B Plus, destinato a riunioni, chiamate all’assistenza clienti e interviste con più parlanti. Secondo IBM, mantiene la stessa architettura, lo stesso formato dei prompt e la stessa API, così i nuovi pesi possono sostituire direttamente i precedenti. L’aggiornamento si concentra sull’attribuzione dei parlanti, sui riferimenti temporali, sulle registrazioni lunghe e sul riconoscimento delle parole chiave.
Secondo i risultati riportati da IBM, il tasso di errore sulle parole nei set di test con registrazioni lunghe scende da 13,53 a 10,22, mentre gli errori sulle parole chiave a cui viene attribuito maggior peso, con elenchi di 20 termini, calano da 11,79 a 6,48. Lo scostamento temporale medio per l’intero parlato scende da 210,86 a 98,54 e IBM segnala riduzioni del 7% sia nel tasso di errore della diarizzazione delle parole sia, complessivamente, nel tasso di errore sulle parole attribuite ai parlanti. Queste misure riguardano problemi pratici delle trascrizioni: nomi trascritti male, attribuzioni errate ai parlanti e riferimenti temporali che si discostano dall’audio.
Tre modelli, tre scelte di implementazione
Secondo l’annuncio di IBM, tutti e tre i modelli sono disponibili con licenza Apache 2.0; l’annuncio indica anche il supporto nativo per Transformers. Il modello 2B è l’opzione per la trascrizione multilingue, la traduzione e gli elenchi estesi di parole chiave; Turbo CTC punta sulla velocità e sull’uso nei dispositivi periferici; 4.1 2B Plus aggiunge etichette dei parlanti e riferimenti temporali per registrazioni più lunghe con più parlanti. Le schede dei modelli forniscono istruzioni per l’uso e dettagli sulla valutazione, ma i risultati dei benchmark riportati non chiariscono come i modelli si comporteranno con gli accenti, i microfoni, il rumore di fondo o la terminologia propri di ciascuna organizzazione.