Granite Speech 5.0 2B: nowy model ASR IBM przeleżał na Hugging Face dwa tygodnie, zanim IBM go ogłosiło

Repozytorium dla Granite Speech 5.0 2B zostało utworzone 7 października 2026. Wagi zatwierdzono tego samego wieczoru; wiadomość commita brzmiała wyłącznie „Upload granite-speech-5.0-2b checkpoint”. Karta modelu przez trzynaście dni pozostawała tam, będąc publicznie edytowaną — wykresy benchmarków dodano 13., datę wydania i oficjalne wyniki leaderboardu ostemplowano 19., plik sygnatury modelu dodano 20. — zanim IBM opublikowało wpis na blogu, który faktycznie go ogłosił, w dniu 21 października 2026. Ten wpis na blogu ma jeden dzień, odkąd to piszę, i wciąż jest jedyną rzeczą, jaką IBM powiedziało o modelu gdziekolwiek: nie ma komunikatu prasowego, strony z ogłoszeniem na ibm.com ani niczego na stronie produktu Granite poza ogólną stroną docelową. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, stopień ważności, ocenę pewności i flagę sporności.

Uczciwy opis nie brzmi więc ani „niezapowiedziany”, ani „ogłoszony z fanfarami”. To model, który przez dwa tygodnie był po cichu dostępny do pobrania, którego karta była tworzona jawnie i którego ogłoszenie pojawiło się dzień przed tym artykułem. W dalszej części oddzielam to, co da się zweryfikować, od tego, co wciąż jest tylko słowami IBM.

Co właściwie znajduje się w punkcie kontrolnym?

Granite Speech 5.0 2B to model mowy i języka: enkoder akustyczny Conformer zasilający mały model językowy poprzez projektor. Jest bezpośrednim następcą granite-speech-4.1-2b, który ukazał się 29 kwietnia 2026 r. z tą samą liczbą parametrów i na tej samej licencji Apache 2.0.

• Rozmiar i format — 2B parametrów, BF16 safetensors, Apache 2.0, brak ograniczeń dostępu w repozytorium.

• Enkoder — 16 bloków Conformer trenowanych z CTC i dwiema głowicami klasyfikacji: 348 wyjść znakowych (pierwsze 256 wpisów ASCII plus 92-znakowy fonetyczny zestaw katakana dla języka japońskiego) i 100 353 wyjść BPE pochodzących z tokenizatora Granite 4.0. Rozmiar ukryty 1024, 8 głowic uwagi po 128, jądro konwolucji 15, czterosekundowa uwaga blokowa.

• Projector — dwuwarstwowy transformer zapytań okienkowych działający na blokach piętnastu 1024-wymiarowych embeddingów akustycznych, z trzema trenowalnymi zapytaniami na blok i warstwę. Wykonuje dodatkowe podpróbkowanie 5× względem 2× kodera, dzięki czemu model językowy widzi embeddingi 10 Hz zamiast ramek 100 Hz.

• Model językowy — pośredni punkt kontrolny granite-4.0-1b-base, rozszerzony do 16k pozycji za pomocą YaRN, z adapterami LoRA trenowanymi wspólnie z projektorem.

• Trening — około 390 000 godzin publicznego i syntetycznego audio, łącznie 40 dni na 8 układach NVIDIA H100 (26 dni treningu enkodera, 14 dni treningu projektora) w klastrze Blue Vela firmy IBM.

• Języki — angielski, francuski, niemiecki, hiszpański, portugalski i japoński w przypadku transkrypcji; tłumaczenie z języka angielskiego i na język angielski dla tych sześciu języków, a także z angielskiego na włoski i z angielskiego na mandaryński.

390 000 godzin to liczba, która ma największe znaczenie dla tego, w czym model jest dobry. Karta modelu to rozbija, a największy pojedynczy blok nie stanowi czystej mowy czytanej: LibriHeavy dostarcza 45 600 godzin audio bez interpunkcji i kolejne 45 800 godzin audio z interpunkcją, VoxPopuli Granary dodaje 24 000 oraz 23 900 godzin z interpunkcją, a następnie jest 59 900 godzin tego, co IBM nazywa kontekstowym ASR — te same korpusy pocięte na nowo z zaszumionym kontekstem poprzedniego segmentu dołączonym na początku promptu. Kolejne 7 100 i 16 500 godzin to ASR z ukierunkowaniem na słowa kluczowe odpowiednio w europejskiej i japońskiej grupie językowej. Ten miks sprawia, że główne usprawnienia dotyczą interpunkcji, wielkich liter, odporności i ukierunkowania na słowa kluczowe, a nie surowego współczynnika błędów słów w czystym angielskim.

Liczba 5,06% i drobny druk pod nią

Najważniejsze twierdzenie IBM to średni wskaźnik błędu słów dla języka angielskiego wynoszący 5,06% w dziewięciu publicznych zestawach testowych krótkich form Open ASR Leaderboard, które – zdaniem IBM – dają mu 2. miejsce wśród czołowych modeli ASR o otwartych wagach. Karta modelu podaje tę samą wartość pod inną etykietą – „oficjalne wyniki na dzień 20 października 2026 r.” – podczas gdy blog z ogłoszeniem nazywa leżący u jej podstaw przebieg „nieoficjalnym, na dzień 15 października 2026 r.”. Te dwa opisy dzieli pięć dni i jeden przymiotnik, a nikt spoza IBM nie odtworzył żadnego z nich.

Wykres porównawczy zamieszczony na karcie wart jest uważnej lektury, ponieważ jego zasady selekcji odgrywają dużą rolę. Pokazuje dziesięć najlepszych modeli z otwartymi wagami według średniego WER, po jednym na organizację, przy czym Granite Speech 5.0 2B zajmuje drugie miejsce:

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

• #2 Granite Speech 5.0 2B — 5,06%.

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

• #4 Hojo-ASR-V1 i #5 higgs-audio-v3-stt — po 5,22% każdy.

• #6 thewhisper-large-v3-turbo — 5.24%. Warto zauważyć, że to checkpoint społecznościowy, który zapożycza nazwę Whispera, a nie whisper-large-v3-turbo od O​penAI, który uzyskuje 7.83% na tym samym rankingu. Te dwa są często mylone, a pomyłka schlebia temu porównaniu, które akurat czytasz.

• #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%.

{{1}}Nasuwają się dwie rzeczy.{{/1}} Po pierwsze, różnica do lidera wynosi 0,12 punktu procentowego, co na dziewięciu zestawach testowych mieści się w szumie wynikającym z innej konfiguracji dekodowania — to remis na pierwszym miejscu opisywany jako drugie miejsce. Po drugie, rozpiętość od #2 do #6 wynosi 0,18 punktu. Cokolwiek odróżnia te modele na czystym angielskim, nie jest to dokładność. Prawdziwy argument IBM musi leżeć gdzie indziej — i leży.

Gdzie wzmocnienie jest wystarczająco duże, aby miało znaczenie: szum i odległość

Ranking FFASR mierzy mowę w hałasie i z pogłosem — warunki bliskiego pola, wysokiego SNR, średniego SNR i niskiego SNR uśrednione razem. To ewaluacja, w której generacja 5.0 oddziela się od generacji 4.1 o odczuwalną przewagę, i jest to najbardziej użyteczna liczba w tym wydaniu.

• Granite Speech 5.0 2B — 14,80% średniego WER, 4. miejsce wśród 42 modeli na liście (wyniki na dzień 18 października 2026 r.).

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

• granite-speech-4.1-2b — 16,35%, #9.

• Dla porównania: whisper-large-v3 osiąga 18,02% w tym samym zestawieniu, a nvidia/parakeet-tdt-0.6b-v2 — 17,66%.

To poprawa o 1,55 punktu względem bezpośredniego poprzednika w przypadku dźwięku z dużej odległości i zaszumionego — około 9,5% względnego spadku błędów — podczas gdy średnia dla czystego angielskiego spadła z 5,33% do 5,06%, czyli około 5% względnie. Innymi słowy, poprawa jest około dwa razy większa w warunkach, w których ludzie faktycznie wdrażają transkrypcję: sale konferencyjne, centra obsługi telefonicznej, mikrofony laptopów, odległe mikrofony tabletów. Jeśli Twój stos ASR sprawdza się już przy dźwięku studyjnym, a załamuje się w sali konferencyjnej, to wydanie jest skierowane właśnie do Ciebie.

Interpunkcja poprawiona; wielkość liter nie.

Jedyna tabela liczbowa na karcie porównuje 5.0 z 4.1 pod względem współczynnika błędów interpunkcji (PER, im niżej, tym lepiej) oraz F1 dla wielkości liter (im wyżej, tym lepiej), obliczanych na parach słów dopasowanych metodą Levenshteina, a nie na całych zdaniach. Zwróć uwagę na kierunek każdego wiersza, ponieważ obraz nie jest jednolity.

• 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, ale Cap-F1 95,35 → 95,07.

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

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

• CV-DE — PER 3.66 → 3.65; Cap-F1 99.50 → 99.51 (w języku niemieckim rzeczowniki zapisuje się wielką literą, dlatego ten wiersz jest niemal idealny).

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

• CV-FR — PER 11,00 → 11,43 (gorzej); Cap-F1 97,25 → 97,20.

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

Interpunkcja poprawiła się w siedmiu z dziewięciu zestawów; kapitalizacja pogorszyła się w pięciu z dziewięciu, o od 0,03 do 0,28 punktu. Podsumowanie IBM to „wyższa dokładność transkrypcji” oraz „interpunkcja i kapitalizacja”, co jest do obrony w ujęciu zagregowanym i nieco zbyt hojne w szczegółach. Praktyczny wniosek: spodziewaj się mniej brakujących przecinków, nie oczekuj, że model nagle zacznie poprawnie rozpoznawać nazwy własne i początki zdań.

Dwie funkcje, które zmieniają pracę nad integracją

Możliwości, które najprawdopodobniej wpłyną na rzeczywiste wdrożenie, w ogóle nie są oceniane w karcie, ponieważ są to funkcje kontrolne, a nie funkcje dokładności.

Monitowanie z identyfikatorem języka. Możesz poprzedzić tekst zdaniem „Mowa jest po niemiecku. Transkrybuj ją dokładnie; nie tłumacz.”, a model dokona transkrypcji niemieckiego zamiast tłumaczyć go na angielski. Ma to znaczenie, ponieważ model mowy, który automatycznie tłumaczy, jest bezużyteczny na przykład w przypadku niemieckojęzycznego archiwum pomocy — otrzymujesz angielską transkrypcję i tracisz oryginalne brzmienie. Monit działa również wtedy, gdy zostanie zapisany w języku docelowym, co jest bardziej realistycznym przypadkiem w wielojęzycznym potoku.

Biasowanie słów kluczowych do 2000 terminów. Limit poprzednika nie jest podany jako konkretna liczba w karcie 4.1, ale 5.0 zwiększa obsługiwaną listę do dwóch tysięcy terminów na prompt, w ASR i tłumaczeniu mowy. W przypadku nazw produktów, nazw leków, identyfikatorów zgłoszeń lub własnej listy SKU klienta to różnica między transkrypcją użyteczną a taką, którą trzeba poprawiać. Karta przedstawia F1 biasowania słów kluczowych jako wykres z zastosowanym i bez zastosowanego biasowania, ale bez wartości liczbowych w tekście, więc skalę poprawy należy traktować jako nieokreśloną.

Jest jeszcze jeden szczegół projektowy dotyczący bezpieczeństwa, o którym warto wiedzieć: jeśli model otrzyma nieprawidłowo sformułowany lub nieznany monit, IBM twierdzi, że ignoruje go i przechodzi do zwykłej transkrypcji. To celowe ograniczenie zakresu, w jakim dźwięk może wpływać na system, a IBM zaleca łączenie modelu z Granite Guardian do wykrywania ryzyka w środowisku produkcyjnym.

Uruchamianie tego.

Granite Speech 5.0 2B jest natywnie obsługiwany w transformers>=4.52.1 za pomocą AutoModelForSpeechSeq2Seq i AutoProcessor. Karta dokumentuje również vLLM, llama.cpp i mlx-audio, co ma większe znaczenie, niż się wydaje: to model, który można uruchomić na laptopie, a nie tylko za klastrem GPU.

• Długość segmentu — transkrybuj w fragmentach trwających do około dwóch minut, a dłuższe nagrania dziel za pomocą VAD. Kontekst 16k YaRN nie jest przyzwoleniem na podawanie mu godziny audio; dokładność spada znacznie wcześniej, niż wyczerpuje się kontekst.

• llama.cpp — karta zaleca Q8_0 i stwierdza, że kwantyzacja o niższej liczbie bitów traci dokładność w przypadku materiału audio dłuższego niż około minuta. To nietypowo konkretne ostrzeżenie i warto je potraktować dosłownie.

• mlx-audio — wersja 0.5.9 lub nowsza, plus jinja2, którego mlx-audio potrzebuje do szablonu czatu, ale nie instaluje go samodzielnie.

• Prompty są specyficzne dla zadania i mają znaczenie — „transkrybuj mowę z właściwą interpunkcją i wielkością liter” to inny tryb niż prompt surowego transkryptu, a tryb z nastawieniem na słowa kluczowe przyjmuje przyrostek „Keywords: …”.

Czego jeszcze nie można poznać

Trzy rzeczy warto powiedzieć wprost, bo otaczające doniesienia tego nie zrobią.

Po pierwsze, nie ma żadnej niezależnej oceny. Każda liczba powyżej pochodzi z własnego przebiegu ewaluacji IBM lub ze zgłoszeń, które IBM przesłał do rankingu. Wykres FFASR mówi „oficjalne wyniki”, co oznacza, że zgłoszenie znajduje się na liście, a nie że model uruchomiła strona trzecia. Nikt nie opublikował reprodukcji, opisu trybów awarii ani bezpośredniego porównania na dźwięku, którego IBM nie wybrał.

Po drugie, nie ma żadnego hostowanego punktu końcowego. Karta modelu wprost stwierdza, że model „nie jest wdrażany przez żadnego dostawcę usług inferencji”, a ja nie udało mi się znaleźć go również w katalogu OrcaRouter — lista 209 modeli nie zawiera żadnego checkpointu Granite Speech jakiejkolwiek generacji. Dziś Twoje opcje to wagi albo nic. To normalne w przypadku modelu, który ma dwa dni, i to się zmieni; w międzyczasie zaplanuj hostowanie we własnym zakresie.

Po trzecie, licencje różnią się w obrębie rodziny w sposób, na którym łatwo się potknąć. Model 2B jest objęty licencją Apache 2.0 bez ograniczeń komercyjnych. Mały model TurboCTC jest dostarczany w dwóch wariantach — jeden na licencji Apache 2.0, drugi niekomercyjny — a nazewnictwo nie sprawia, że na pierwszy rzut oka jest oczywiste, który jest który.

Co to oznacza dla pipeline’u mowy

Realistyczna architektura wdrożenia Granite Speech 5.0 2B pod koniec 2026 r. to hostowany we własnej infrastrukturze enkoder-dekoder transkrybujący dźwięk oraz osobne wywołanie modelu językowego wykonujące to, co dzieje się dalej: podsumowywanie rozmowy, wyodrębnianie pól, klasyfikowanie intencji, oczyszczanie transkryptu zgodnie ze schematem. Ten drugi etap to zwykłe generowanie tekstu i właśnie ta część korzysta na tym, że nie jest na sztywno przypisana do jednego dostawcy — transkrypt trafia do jednego punktu końcowego zgodnego z OpenAI, który zapewnia dostęp do 200+ modeli w cenie katalogowej dostawcy bez doliczanej marży, więc podmiana modelu oczyszczającego to zmiana konfiguracji, a nie przebudowa, oraz awaria dostawcy kończy się przełączeniem awaryjnym, a nie pociągnięciem za sobą całego potoku.

Jeśli chodzi o sam etap mowy, decyzja w tym tygodniu jest węższa, niż sugeruje wykres benchmarków. Granite Speech 5.0 2B to wiarygodny model ASR do języka angielskiego z otwartymi wagami, plasujący się w pierwszej trójce, wyraźna poprawa względem własnego poprzednika dokładnie w tych warunkach, które psują ASR w środowisku produkcyjnym, oraz prawdziwie wielojęzyczny model z tłumaczeniem i kontrolą słów kluczowych, których większość konkurentów w tym rozmiarze nie oferuje. Ma też dopiero dwa dni, jest benchmarkowany przez dostawcę i nie został jeszcze niezależnie odtworzony. Uruchom go na własnym najtrudniejszym audio, zanim uwierzysz w 5,06%.