Granite Speech 5.0 2B: el nuevo modelo ASR de IBM estuvo en Hugging Face durante dos semanas antes de que IBM lo anunciara

El repositorio de Granite Speech 5.0 2B se creó el 7 de octubre de 2026. Los pesos se subieron esa misma noche, con un mensaje de commit que dice únicamente «Upload granite-speech-5.0-2b checkpoint». La tarjeta del modelo permaneció entonces ahí durante trece días, editándose en público —gráficos de benchmark añadidos el día 13, una fecha de lanzamiento y resultados oficiales de la tabla de clasificación estampados el 19, un archivo de firma del modelo el 20— antes de que IBM publicara la entrada de blog que realmente lo anunció, el 21 de octubre de 2026. Esa entrada de blog tiene un día de vida mientras escribo esto, y sigue siendo lo único que IBM ha dicho sobre el modelo en cualquier lugar: no hay nota de prensa, ni página de anuncio en ibm.com, ni nada en el sitio del producto Granite más allá de la página de aterrizaje genérica. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.

La descripción honesta no es «no anunciado» ni «lanzado con bombo y platillo». Es un modelo que estuvo disponible para descargar discretamente durante dos semanas, cuya ficha se redactó a la vista de todos y cuyo anuncio llegó un día antes de este artículo. Lo que sigue separa las partes que son verificables de las que siguen siendo solo palabra de IBM.

¿Qué hay realmente en el checkpoint?

Granite Speech 5.0 2B es un modelo de voz-lenguaje: un codificador acústico Conformer que alimenta un modelo de lenguaje pequeño mediante un proyector. Es el sucesor directo de granite-speech-4.1-2b, que se lanzó el 29 de abril de 2026 con el mismo número de parámetros y la misma licencia Apache 2.0.

• Tamaño y formato — 2B parámetros, safetensors en BF16, Apache 2.0, sin restricciones de acceso en el repositorio.

• Codificador — 16 bloques Conformer entrenados con CTC y dos cabezas de clasificación: 348 salidas de caracteres (las primeras 256 entradas ASCII, más un conjunto fonético de 92 caracteres katakana para japonés) y 100.353 salidas BPE extraídas del tokenizador Granite 4.0. Tamaño oculto 1.024, 8 cabezas de atención de 128, kernel de convolución 15, atención por bloques de cuatro segundos.

• Projector — un transformador de consultas de ventana de dos capas sobre bloques de quince embeddings acústicos de 1.024 dimensiones, con tres consultas entrenables por bloque y capa. Reduce la frecuencia de muestreo 5× adicionalmente al 2× del codificador, por lo que el modelo de lenguaje ve embeddings de 10 Hz en lugar de fotogramas de 100 Hz.

• Modelo de lenguaje — un checkpoint intermedio de granite-4.0-1b-base, extendido a 16k posiciones con YaRN, con adaptadores LoRA entrenados conjuntamente con el proyector.

• Entrenamiento — aproximadamente 390.000 horas de audio público y sintético, 40 días en total en 8 NVIDIA H100 (26 días de entrenamiento del codificador, 14 de entrenamiento del proyector) en el clúster Blue Vela de IBM.

• Idiomas — inglés, francés, alemán, español, portugués y japonés para transcripción; traducción hacia y desde el inglés para esos seis, además de inglés a italiano e inglés a mandarín.

Las 390.000 horas son la cifra que más importa para aquello en lo que el modelo destaca. La ficha lo desglosa y el mayor bloque individual no es habla leída limpia: LibriHeavy aporta 45.600 horas de audio sin puntuación y otras 45.800 de audio con puntuación; VoxPopuli Granary añade 24.000 más 23.900 con puntuación, y luego hay 59.900 horas de lo que IBM llama ASR contextual: los mismos corpus recortados de nuevo con un contexto ruidoso del segmento anterior antepuesto al prompt. Otras 7.100 y 16.500 horas son ASR con sesgo de palabras clave en los grupos de lenguas europeas y japonesa, respectivamente. Esa mezcla es la razón por la que las mejoras destacadas son la puntuación, el uso de mayúsculas, la robustez y el sesgo de palabras clave, en lugar de la tasa bruta de error de palabras en inglés limpio.

El número del 5.06%, y la letra pequeña debajo de él

La afirmación principal de IBM es una tasa media de error de palabra en inglés del 5,06 % en los nueve conjuntos de pruebas públicos de formato corto del Open ASR Leaderboard, que describe como el n.º 2 entre los principales modelos ASR de pesos abiertos. La tarjeta del modelo publica la misma cifra con una etiqueta diferente —"resultados oficiales a fecha de 20 de octubre de 2026"—, mientras que el blog del anuncio califica la ejecución subyacente como "no oficial, a fecha de 15 de octubre de 2026". Esas dos descripciones difieren en cinco días y un adjetivo, y nadie fuera de IBM ha reproducido ninguna de las dos.

El gráfico comparativo que incluye la tarjeta merece una lectura atenta, porque sus reglas de selección son muy determinantes. Muestra los diez mejores modelos de pesos abiertos según el WER promedio, uno por organización, con Granite Speech 5.0 2B en segundo lugar:

• N.º 1 Qwen3-ASR-1.7B-hf — 4,94 % de WER promedio.

• N.º 2 Granite Speech 5.0 2B — 5,06 %.

• #3 cohere-transcribe-03-2026 — 5.21%.

• #4 Hojo-ASR-V1 y #5 higgs-audio-v3-stt — 5.22% cada uno.

• #6 thewhisper-large-v3-turbo — 5,24 %. Ten en cuenta que este es un checkpoint de la comunidad que toma prestado el nombre de Whisper, no el whisper-large-v3-turbo de O​penAI, que obtiene 7,83 % en la misma tabla de clasificación. Los dos se confunden con frecuencia, y la confusión favorece cualquier comparación que estés leyendo.

• #7 canary-qwen-2.5b — 5,38 %; #8 ARK-ASR-0.6B — 5,44 %; #9 MOSS-Transcribe-Diarize — 5,54 %; #10 Voxtral-Small-24B-2507 — 5,81 %.

Se desprenden dos cosas. Primera: la diferencia con el líder es de 0,12 puntos porcentuales, lo cual, en nueve conjuntos de prueba, queda dentro del ruido que se obtiene con una configuración de decodificación distinta; esto es un empate en el primer puesto, descrito como segundo lugar. Segunda: la dispersión del n.º 2 al n.º 6 es de 0,18 puntos. Lo que sea que separa a estos modelos en inglés limpio, no es la precisión. El verdadero argumento de venta de IBM tiene que estar en otro sitio, y lo está.

Donde la ganancia es lo suficientemente grande como para ser relevante: ruido y distancia

La tabla de clasificación de FFASR mide el habla con ruido y reverberación: condiciones de campo cercano, SNR alta, SNR media y SNR baja promediadas en conjunto. Esta es la evaluación en la que la generación 5.0 se separa de la generación 4.1 por un margen que se puede percibir, y es el número más útil del lanzamiento.

• Granite Speech 5.0 2B — 14,80 % de WER promedio, puesto n.º 4 de 42 modelos en la tabla (resultados al 18 de octubre de 2026).

• granite-speech-4.1-2b-nar — 15,16 %, n.º 6.

• granite-speech-4.1-2b — 16,35 %, n.º 9.

A modo de comparación: whisper-large-v3 se sitúa en 18.02% en la misma tabla, y nvidia/parakeet-tdt-0.6b-v2 en 17.66%.

Eso supone una mejora de 1,55 puntos respecto al predecesor inmediato en audio de campo lejano y con ruido —aproximadamente una reducción relativa de errores del 9,5 %—, mientras que el promedio en inglés limpio pasó del 5,33 % al 5,06 %, alrededor de un 5 % relativo. En otras palabras, la mejora es aproximadamente el doble de grande en las condiciones en las que la gente realmente despliega la transcripción: salas de conferencias, centros de llamadas, micrófonos de portátiles, micrófonos de tabletas a distancia. Si tu stack de ASR ya funciona bien con audio de estudio y se desmorona en una sala de reuniones, esta versión está pensada para ti.

Se mejoró la puntuación; el uso de mayúsculas no.

La única tabla numérica de la tarjeta compara 5.0 con 4.1 en la tasa de error de puntuación (PER, cuanto más baja mejor) y en la F1 de capitalización (cuanto más alta mejor), calculadas sobre pares de palabras alineados por Levenshtein en lugar de oraciones completas. Lea la dirección de cada fila, porque el panorama no es uniforme.

• LScln — PER 25,70 → 23,20; Cap-F1 89,71 → 90,16.

• LSoth — PER 22,27 → 21,22; Cap-F1 91,26 → 91,65.

VoxPopuli — PER 24.86 → 23.70, pero Cap-F1 95.35 → 95.07.

• Ganancias-22 — PER 22,87 → 21,64, pero Cap-F1 95,19 → 94,98.

• CV-EN — PER 9,13 → 9,18 (ligeramente peor); Cap-F1 96,75 → 96,96.

• CV-DE — PER 3,66 → 3,65; Cap-F1 99,50 → 99,51 (el alemán escribe con mayúscula los sustantivos, por eso esta fila es casi perfecta).

• CV-ES — PER 11,61 → 11,46, Cap-F1 95,68 → 95,62.

CV-FR — PER 11.00 → 11.43 (peor); Cap-F1 97.25 → 97.20.

• CV-PT — PER 7,86 → 7,53; Cap-F1 98,51 → 98,48.

La puntuación avanzó en la dirección correcta en siete de nueve conjuntos; el uso de mayúsculas avanzó en la dirección incorrecta en cinco de nueve, entre 0,03 y 0,28 puntos. El resumen de IBM es «mayor precisión de transcripción» y «puntuación y uso de mayúsculas», lo cual es defendible en conjunto y ligeramente generoso en el detalle. La lectura práctica: espere menos comas faltantes, no espere que el modelo de repente acierte con los nombres propios y los inicios de oración.

Dos funciones que cambian el trabajo de integración

Las capacidades con más probabilidades de afectar a un despliegue real no se evalúan en absoluto en la ficha, porque son características de control en lugar de características de precisión.

Prompting con identificación de idioma. Puedes anteponer «El habla está en alemán. Transcríbela exactamente; no la traduzcas.» y el modelo transcribirá el alemán en lugar de traducirlo al inglés. Esto importa porque un modelo de voz que traduce automáticamente es inutilizable para, por ejemplo, un archivo de soporte en alemán: obtienes una transcripción en inglés y pierdes la redacción original. El prompt también funciona cuando se escribe en el idioma de destino, que es el caso más realista para un flujo de procesamiento multilingüe.

Sesgo de palabras clave de hasta 2000 términos. El límite del predecesor no se indica como una cifra concreta en la ficha de la versión 4.1, pero la 5.0 eleva la lista admitida a dos mil términos por instrucción, tanto en ASR como en traducción de voz. Para nombres de productos, nombres de fármacos, identificadores de tickets o la propia lista de SKU de un cliente, esto supone la diferencia entre una transcripción utilizable y otra que requiere corrección. La ficha presenta la F1 del sesgo de palabras clave como un gráfico con y sin sesgo aplicado, pero sin valores numéricos en el texto, por lo que la magnitud de la mejora debe considerarse no cuantificada.

También hay un detalle de diseño de seguridad que vale la pena conocer: si el modelo recibe un prompt mal formado o desconocido, IBM afirma que ignora el prompt y recurre a la transcripción simple. Se trata de una restricción deliberada sobre cuánto puede influir el audio en el sistema, y IBM recomienda combinar el modelo con Granite Guardian para la detección de riesgos en producción.

Ejecutándolo

Granite Speech 5.0 2B es compatible de forma nativa con transformers>=4.52.1 mediante AutoModelForSpeechSeq2Seq y AutoProcessor. La ficha también documenta vLLM, llama.cpp y mlx-audio, lo cual importa más de lo que parece: es un modelo que puedes ejecutar en un portátil, no solo detrás de un clúster de GPU.

• Duración del segmento: transcribe en fragmentos de hasta unos dos minutos y divide las grabaciones más largas con VAD. El contexto de 16k YaRN no es una licencia para alimentarlo con una hora de audio; la precisión se degrada mucho antes que el contexto.

• llama.cpp — la ficha recomienda Q8_0 e indica que la cuantización a menos bits pierde precisión en audio de más de aproximadamente un minuto. Es una advertencia inusualmente específica y vale la pena tomarla al pie de la letra.

• mlx-audio — 0.5.9 o posterior, además de jinja2, que mlx-audio necesita para la plantilla de chat pero no instala por sí mismo.

• Los prompts son específicos de cada tarea y son importantes: «transcribe el discurso con la puntuación y las mayúsculas adecuadas» es un modo distinto del prompt de transcripción sin procesar, y el modo con sesgo por palabras clave lleva un sufijo «Keywords: …».

Lo que todavía no se puede saber

Hay tres cosas que vale la pena decir sin rodeos, porque la cobertura que las rodea no lo hará.

En primer lugar, no existe una evaluación independiente. Todas las cifras anteriores provienen de la propia ejecución de evaluación de IBM o de envíos de IBM a la tabla de clasificación. El gráfico de FFASR dice «resultados oficiales», lo que significa que el envío está en la tabla, no que un tercero haya ejecutado el modelo. Nadie ha publicado una reproducción, un informe escrito sobre modos de fallo ni una comparación directa con audio que IBM no haya elegido.

En segundo lugar, no hay ningún endpoint alojado. La ficha del modelo afirma directamente que el modelo «no está desplegado por ningún proveedor de inferencia», y tampoco pude encontrarlo en el catálogo de OrcaRouter: la lista de 209 modelos no contiene ningún checkpoint de Granite Speech de ninguna generación. Hoy tus opciones son los pesos o nada. Eso es normal para un modelo que tiene dos días y cambiará; mientras tanto, planifica el autoalojamiento.

Tercero, las licencias difieren dentro de la familia de un modo en el que es fácil tropezar. El 2B es Apache 2.0 sin restricción comercial. El pequeño modelo TurboCTC se distribuye en dos variantes, una Apache 2.0 y otra no comercial; la nomenclatura no deja obvio a simple vista cuál es cuál.

En qué situación deja esto a un pipeline de voz

La arquitectura realista para un despliegue de Granite Speech 5.0 2B a finales de 2026 es un codificador-decodificador autoalojado que transcribe audio, y una llamada separada a un modelo de lenguaje que hace lo que venga después: resumir la llamada, extraer campos, clasificar la intención y limpiar la transcripción con arreglo a un esquema. Esa segunda etapa es generación de texto normal, y es la parte que se beneficia de no estar atada a un único proveedor: la transcripción va a un único endpoint compatible con OpenAI que puede alcanzar más de 200 modelos al precio de lista del proveedor sin recargo añadido, por lo que cambiar el modelo de limpieza es un cambio de configuración en lugar de una reconstrucción, y ante una caída de un proveedor se conmuta por error en lugar de que la canalización se caiga con él.

Para la etapa de voz en sí, la decisión de esta semana es más limitada de lo que sugiere el gráfico de referencia. Granite Speech 5.0 2B es un modelo ASR inglés de pesos abiertos creíble entre los tres mejores, una mejora clara respecto de su propio predecesor justo en las condiciones que hacen fallar el ASR en producción, y un modelo genuinamente multilingüe con traducción y control de palabras clave que la mayoría de los competidores de este tamaño no ofrecen. Además, tiene solo dos días, está evaluado por el proveedor y no ha sido reproducido. Pruébalo con tu propio audio más difícil antes de creer el 5.06%.