IBM Granite představila na blogu Hugging Face tři modely pro rozpoznávání řeči. Příspěvek vyšel 21. října 2026 a autoři v něm tvrdí, že modely „pokrývají celou škálu firemní práce s řečí“. Jde o nový granite-speech-5.0-2b a o aktualizované verze granite-speech-5.0-470m-turboctc a granite-speech-4.1-2b-plus. Všechny jsou pod licencí Apache 2.0.

Granite-speech-5.0-2b: přepis i překlad

Nový model má 2 miliardy parametrů a navazuje na verzi 4.1 se stejnou velikostí. Přepisuje angličtinu, francouzštinu, němčinu, španělštinu, portugalštinu a japonštinu. Překládá z těchto šesti jazyků do angličtiny a zpět, navíc z angličtiny do italštiny a mandarínské čínštiny. Trénoval se na 390 000 hodinách veřejných nahrávek doplněných syntetickými daty.

Oproti předchůdci si poradí lépe s hlukem, ozvěnou a nahrávkami z mikrofonu vzdáleného od mluvčího. Do zadání jde uvést jazyk vstupu a seznam až 2 000 pojmů, například jmen, produktů a zkratek, aby je model psal správně. Na požádání doplní interpunkci a velká písmena. V žebříčku Open ASR Leaderboard je podle autorů k 21. říjnu druhý mezi otevřenými modely s průměrnou chybovostí slov 5,06 % na anglických krátkých testech.

Rychlý model pro zařízení

Model granite-speech-5.0-470m-turboctc s 470 miliony parametrů IBM představila v srpnu jako anglický a stavěla ho na rychlost. Nově umí angličtinu, japonštinu, španělštinu, němčinu, francouzštinu, italštinu a portugalštinu. Interpunkci a velká písmena zapisuje sám, takže odpadá samostatný krok zpracování po přepisu.

Trénink se zaměřil i na nahrávky z ozvučených místností. Díky kompilaci jediného bloku architektury Conformer a opakovanému využití jeho grafu klesla doba zahřátí. Propustnost stoupla z přibližně 12 600 na 19 870 RTFx na žebříčku Open ASR Leaderboard, tedy zhruba 1,6krát při stejné přesnosti. Přesnou chybovost tohoto modelu text neuvádí.

Aktualizace pro schůzky a hovory

Třetí model, granite-speech-4.1-2b-plus, míří na dlouhé nahrávky schůzek, zákaznických hovorů a rozhovorů s více mluvčími. Název zůstal, protože architektura, formát zadání i rozhraní se nezměnily. Jde o náhradu za původní verzi s lepšími váhami.

Podle tabulky v příspěvku klesla chybovost přepisu dlouhých nahrávek z 13,53 na 10,22. Chyba u slov z předem zadaného seznamu s 20 pojmy se zmenšila z 11,79 na 6,48. Chyba přiřazení slov mluvčím (WDER) klesla ze 4,40 na 4,10 a chyba přepisu s přiřazením mluvčích (cpWER) z 30,50 na 28,48. Průměrná odchylka časových značek se u všech řečových úseků snížila z 210,86 na 98,54.

Zajímavá je i volba architektury. Model turboctc je stavěný pro běh na zařízení a příspěvek k němu odkazuje na ukázku streamovaného přepisu přes WebGPU, odkaz na demo je v textu však zatím jen zástupný. Pro nasazení u sebe tak dává smysl hlavně tam, kde nahrávky nesmějí opustit firmu. Autoři uvádějí, že všechny tři modely mají nativní podporu v knihovně Transformers a podrobná vyhodnocení, architekturu a ukázky použití najdete na kartách modelů.

Co z toho plyne pro české uživatele

Čeština se mezi podporovanými jazyky nevyskytuje, takže pro český přepis tyto modely nejsou volbou. Hodí se spíš firmám, které přepisují nahrávky v angličtině, němčině nebo francouzštině a chtějí je zpracovávat u sebe. Licence Apache 2.0 to bez poplatků dovoluje. Podpora je v knihovnách Transformers, vLLM a llama.cpp a pro počítače Apple v mlx-audio.

Autoři doporučují pro produkční nasazení doplnit modely nástrojem Granite Guardian, který hledá rizikový obsah. Ceny ani hardwarové nároky příspěvek neuvádí. Výběr je jednoduchý: na přesnost a překlad patří model 5.0-2b, na rychlost model turboctc a na dlouhé schůzky verze 4.1-2b-plus.

Zdroje

• Hugging Face blog (IBM Granite): Granite Speech 5.0, 21. října 2026