Granite Speech 5.0 2B : le nouveau modèle ASR d’IBM est resté sur Hugging Face pendant deux semaines avant qu’IBM ne l’annonce

Le dépôt de Granite Speech 5.0 2B a été créé le 7 octobre 2026. Les poids ont été commités le soir même, avec un message de commit qui ne dit que « Upload granite-speech-5.0-2b checkpoint. » La fiche modèle est ensuite restée là pendant treize jours, modifiée en public — des graphiques de benchmark ajoutés le 13, une date de sortie et les résultats officiels du classement apposés le 19, un fichier de signature du modèle le 20 — avant qu'IBM ne publie l'article de blog qui l'a réellement annoncé, le 21 octobre 2026. Cet article de blog date d'un jour au moment où j'écris ces lignes, et c'est toujours la seule chose qu'IBM ait dite sur le modèle, où que ce soit : il n'y a pas de communiqué de presse, pas de page d'annonce sur ibm.com, et rien sur le site produit Granite au-delà de la page d'accueil générique. Les défaillances de l'IA et les incidents d'agents documentés associés à des sorties comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

La description honnête n’est donc ni « non annoncé » ni « lancé en grande pompe ». Il s’agit d’un modèle qui a été discrètement téléchargeable pendant deux semaines, dont la fiche a été rédigée au grand jour, et qui a été annoncé la veille de cet article. La suite distingue les éléments vérifiables de ceux qui ne sont encore que la parole d’IBM.

Qu'y a-t-il réellement dans le checkpoint ?

Granite Speech 5.0 2B est un modèle parole-langage : un encodeur acoustique Conformer alimente un petit modèle de langage via un projecteur. Il est le successeur direct de granite-speech-4.1-2b, sorti le 29 avril 2026 avec le même nombre de paramètres et sous la même licence Apache 2.0.

• Taille et format — 2 milliards de paramètres, BF16 safetensors, Apache 2.0, aucun contrôle d’accès sur le dépôt.

• Encodeur — 16 blocs Conformer entraînés avec CTC et deux têtes de classification : 348 sorties de caractères (les 256 premières entrées ASCII, plus un jeu de 92 caractères phonétiques katakana pour le japonais) et 100 353 sorties BPE issues du tokenizer Granite 4.0. Taille de l’état caché 1 024, 8 têtes d’attention de 128, noyau de convolution 15, attention par blocs de quatre secondes.

• Projector — un transformateur à requêtes fenêtrées sur deux couches, appliqué à des blocs de quinze plongements acoustiques de 1 024 dimensions, avec trois requêtes entraînables par bloc et par couche. Il sous-échantillonne d’un facteur 5 en plus du facteur 2 de l’encodeur, de sorte que le modèle de langue voit des plongements à 10 Hz au lieu de trames à 100 Hz.

• Modèle de langage — un point de contrôle intermédiaire de granite-4.0-1b-base, étendu à 16k positions avec YaRN, avec des adaptateurs LoRA entraînés conjointement avec le projecteur.

• Entraînement — environ 390 000 heures d'audio public et synthétique, 40 jours au total sur 8 NVIDIA H100 (26 jours d'entraînement de l'encodeur, 14 d'entraînement du projecteur) sur le cluster Blue Vela d'IBM.

• Langues — anglais, français, allemand, espagnol, portugais et japonais pour la transcription ; traduction vers et depuis l’anglais pour ces six langues, ainsi que de l’anglais vers l’italien et de l’anglais vers le mandarin.

Les 390 000 heures constituent le chiffre le plus important pour ce dans quoi le modèle excelle. La fiche les décompose, et le plus gros bloc unique n’est pas de la parole lue propre : LibriHeavy fournit 45 600 heures d’audio sans ponctuation et 45 800 heures supplémentaires d’audio ponctué, VoxPopuli Granary ajoute 24 000 heures plus 23 900 heures ponctuées, puis viennent 59 900 heures de ce qu’IBM appelle l’ASR contextuel — les mêmes corpus redécoupés avec un contexte de segment précédent bruité ajouté au prompt. Encore 7 100 et 16 500 heures sont de l’ASR biaisé par mots-clés dans les groupes de langues européennes et japonaises respectivement. Ce mélange explique pourquoi les améliorations phares concernent la ponctuation, la capitalisation, la robustesse et le biais par mots-clés plutôt que le taux d’erreur de mots brut sur l’anglais propre.

Le chiffre de 5,06 %, et les mentions en petits caractères en dessous.

La principale affirmation d'IBM est un taux d'erreur de mots anglais moyen de 5,06 % sur les neuf ensembles de test publics de formats courts de l'Open ASR Leaderboard, qu'elle décrit comme se classant n° 2 parmi les meilleurs modèles ASR à poids ouverts. La fiche du modèle publie le même chiffre avec un libellé différent — « résultats officiels au 20 octobre 2026 » — tandis que le blog d'annonce qualifie l'exécution sous-jacente de « non officielle, au 15 octobre 2026 ». Ces deux descriptions diffèrent de cinq jours et d'un adjectif, et personne en dehors d'IBM n'a reproduit l'une ou l'autre.

Le graphique comparatif que la fiche présente mérite d’être lu attentivement, car ses règles de sélection jouent un rôle important. Il montre les dix meilleurs modèles à poids ouverts selon le WER moyen, à raison d’un par organisation, Granite Speech 5.0 2B étant classé deuxième :

• #1 Qwen3-ASR-1.7B-hf — 4,94 % de WER moyen.

• n° 2 Granite Speech 5.0 2B — 5,06 %.

• #3 cohere-transcribe-03-2026 — 5,21 %.

• #4 Hojo-ASR-V1 et #5 higgs-audio-v3-stt — 5,22 % chacun.

• #6 thewhisper-large-v3-turbo — 5,24 %. Notez qu’il s’agit d’un checkpoint communautaire qui emprunte le nom de Whisper, et non celui du whisper-large-v3-turbo d’O​penAI, qui obtient 7,83 % sur le même classement. Les deux sont régulièrement confondus et la confusion flatte la comparaison que vous êtes en train de lire.

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

Deux choses en découlent. Premièrement, l’écart avec le leader est de 0,12 point de pourcentage, ce qui, sur neuf ensembles de test, se situe dans le bruit généré par une configuration de décodage différente — il s’agit d’une égalité pour la première place, décrite comme une deuxième place. Deuxièmement, l’écart du n°2 au n°6 est de 0,18 point. Quoi que distingue ces modèles sur un anglais propre, ce n’est pas la précision. Le véritable argument de vente d’IBM doit se trouver ailleurs, et c’est le cas.

Là où le gain est suffisamment important pour compter : le bruit et la distance

Le classement FFASR mesure la parole bruitée et réverbérante — des conditions de champ proche, à SNR élevé, à SNR moyen et à SNR faible, moyennées ensemble. C’est l’évaluation où la génération 5.0 se distingue de la génération 4.1 avec une marge que l’on ressent, et c’est le chiffre le plus utile de cette version.

• Granite Speech 5.0 2B — 14,80 % de WER moyen, classé n° 4 sur 42 modèles du classement (résultats au 18 octobre 2026).

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

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

• Pour donner un ordre de grandeur : whisper-large-v3 se situe à 18,02 % dans le même classement, et nvidia/parakeet-tdt-0.6b-v2 à 17,66 %.

Cela représente une amélioration de 1,55 point par rapport au prédécesseur immédiat sur l’audio en champ lointain et bruité — soit une réduction relative des erreurs d’environ 9,5 % —, tandis que la moyenne sur l’anglais propre passe de 5,33 % à 5,06 %, soit environ 5 % en relatif. Autrement dit, l’amélioration est environ deux fois plus importante dans les conditions où les gens déploient réellement la transcription : salles de conférence, centres d’appels, micros d’ordinateur portable, micros distants de tablette. Si votre chaîne ASR est déjà bonne sur de l’audio de studio mais s’effondre en salle de réunion, cette version est faite pour vous.

La ponctuation a été améliorée ; l’usage des majuscules ne l’a pas été.

Le seul tableau numérique de la carte compare 5.0 à 4.1 sur le taux d'erreur de ponctuation (PER, plus bas est mieux) et le F1 de capitalisation (plus haut est mieux), calculés sur des paires de mots alignées selon Levenshtein plutôt que sur des phrases entières. Lisez le sens de chaque ligne, car le tableau n'est pas homogène.

• 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, mais Cap-F1 95,35 → 95,07.

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

• CV-EN — PER 9,13 → 9,18 (légèrement moins bon) ; Cap-F1 96,75 → 96,96.

• CV-DE — PER 3,66 → 3,65 ; Cap-F1 99,50 → 99,51 (l'allemand met une majuscule aux noms, c'est pourquoi cette ligne est presque parfaite).

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

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

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

La ponctuation a évolué dans la bonne direction sur sept ensembles sur neuf ; les majuscules ont évolué dans la mauvaise direction sur cinq sur neuf, de 0,03 à 0,28 point. Le résumé d’IBM est « une meilleure précision de transcription » et « la ponctuation et les majuscules », ce qui est défendable sur l’ensemble et légèrement généreux sur le détail. En pratique : attendez-vous à moins de virgules manquantes, ne vous attendez pas à ce que le modèle traite soudainement correctement les noms propres et les débuts de phrase.

Deux fonctionnalités qui changent le travail d'intégration

Les capacités les plus susceptibles d’affecter un déploiement réel ne sont pas du tout évaluées dans la fiche, car ce sont des fonctionnalités de contrôle plutôt que des fonctionnalités de précision.

Invite d’identification de la langue. Vous pouvez faire précéder le texte de « La parole est en allemand. Transcrivez-la exactement ; ne traduisez pas. » et le modèle transcrira l’allemand au lieu de le traduire en anglais. Cela importe, car un modèle de parole qui traduit automatiquement est inutilisable pour, par exemple, une archive d’assistance en allemand — vous obtenez une transcription en anglais et perdez la formulation d’origine. L’invite fonctionne aussi lorsqu’elle est rédigée dans la langue cible, ce qui est le cas le plus réaliste pour un pipeline multilingue.

Biais de mots-clés jusqu’à 2 000 termes. La limite du prédécesseur n’est pas indiquée comme un chiffre absolu dans la fiche 4.1, mais la version 5.0 porte la liste prise en charge à deux mille termes, par invite, pour l’ASR et la traduction vocale. Pour les noms de produits, les noms de médicaments, les identifiants de tickets ou la liste de SKU d’un client, c’est la différence entre une transcription utilisable et une transcription à corriger. La fiche présente le F1 du biais de mots-clés sous forme de graphique avec et sans application du biais, mais aucune valeur numérique dans le texte ; considérez donc l’ampleur de l’amélioration comme non quantifiée.

Il y a aussi un détail de conception de sécurité qu'il vaut la peine de connaître : si le modèle reçoit une invite mal formée ou inconnue, IBM indique {{1}}qu'il ignore l'invite et revient à une simple transcription{{/1}}. Il s'agit d'une contrainte délibérée sur la mesure dans laquelle l'audio peut influencer le système, et IBM recommande d'associer le modèle à Granite Guardian pour la détection des risques en production.

En train de l'exécuter.

Granite Speech 5.0 2B est pris en charge nativement dans transformers>=4.52.1 via AutoModelForSpeechSeq2Seq et AutoProcessor. La fiche documente également vLLM, llama.cpp et mlx-audio, ce qui compte plus qu'il n'y paraît : c'est un modèle que l'on peut exécuter sur un ordinateur portable, et pas seulement derrière une grappe de GPU.

• Longueur des segments — transcrivez par blocs d'environ deux minutes maximum et découpez les enregistrements plus longs avec VAD. Le contexte YaRN de 16k ne vous autorise pas à lui fournir une heure d'audio ; la précision se dégrade bien avant le contexte.

• llama.cpp — la fiche recommande Q8_0 et indique que la quantification en bits inférieurs entraîne une perte de précision sur les audio de plus d’environ une minute. C’est un avertissement inhabituellement précis, qu’il vaut la peine de prendre au pied de la lettre.

• mlx-audio — 0.5.9 ou version ultérieure, plus jinja2, dont mlx-audio a besoin pour le modèle de chat mais qu'il n'installe pas lui-même.

• Les prompts sont spécifiques à chaque tâche et ont leur importance — « transcrire la parole avec une ponctuation et une capitalisation appropriées » est un mode différent du prompt de transcription brute, et le mode biaisé par mots-clés prend un suffixe « Keywords: … ».

Ce qui n’est pas encore connaissable

Trois choses méritent d’être dites clairement, car la couverture alentour ne le fera pas.

Premièrement, il n’existe aucune évaluation indépendante. Tous les chiffres ci-dessus proviennent de la propre exécution d’évaluation d’IBM ou de soumissions au classement effectuées par IBM. Le graphique FFASR indique « résultats officiels », ce qui signifie que la soumission figure au classement, et non qu’un tiers a exécuté le modèle. Personne n’a publié de reproduction, d’analyse des modes de défaillance ni de comparaison directe sur un audio qu’IBM n’a pas choisi.

Deuxièmement, il n’existe aucun point de terminaison hébergé. La fiche du modèle indique directement que le modèle « {{1}}n’est déployé par aucun fournisseur d’inférence », et je n’ai pas non plus pu le trouver dans le catalogue OrcaRouter — la liste des 209 modèles ne contient aucun checkpoint Granite Speech, quelle que soit la génération. Aujourd’hui, vos options sont les poids, ou rien. C’est normal pour un modèle qui a deux jours, et cela changera ; prévoyez l’auto-hébergement en attendant.

Troisièmement, les licences diffèrent au sein de la famille d’une manière qu’il est facile de négliger. Le 2B est sous Apache 2.0, sans restriction commerciale. Le petit modèle TurboCTC est proposé en deux variantes, l’une sous Apache 2.0 et l’autre non commerciale — la dénomination ne permet pas de voir d’un coup d’œil laquelle est laquelle.

Ce que cela implique pour un pipeline de traitement de la parole

L’architecture réaliste pour un déploiement de Granite Speech 5.0 2B fin 2026 est un encodeur-décodeur auto-hébergé qui transcrit l’audio, et un appel distinct à un modèle de langage qui assure tout ce qui suit : résumer l’appel, extraire des champs, classifier l’intention, nettoyer la transcription pour la conformer à un schéma. Cette deuxième étape est de la génération de texte ordinaire, et c’est la partie qui gagne à ne pas être câblée en dur à un seul fournisseur — la transcription est envoyée à un point de terminaison compatible O​penAI qui donne accès à plus de 200 modèles au prix catalogue du fournisseur, sans majoration ajoutée, de sorte que remplacer le modèle de nettoyage relève d’un changement de configuration plutôt que d’une reconstruction, et une panne de fournisseur déclenche un basculement au lieu d’entraîner le pipeline dans sa chute.

Pour l’étape de parole elle-même, la décision de cette semaine est plus limitée que ne le suggère le graphique comparatif. Granite Speech 5.0 2B est un modèle ASR anglais à poids ouverts crédible parmi les trois meilleurs, une nette amélioration par rapport à son propre prédécesseur exactement dans les conditions qui font échouer l’ASR en production, et un modèle véritablement multilingue avec traduction et contrôle par mots-clés que la plupart des concurrents de cette taille n’offrent pas. Il n’a aussi que deux jours, est évalué par le fournisseur et non reproduit. Faites-le tourner sur vos propres audios les plus difficiles avant de croire à 5,06 %.