Granite Speech 5.0 2B: o novo modelo ASR da IBM ficou no Hugging Face por duas semanas antes de a IBM anunciá-lo

O repositório do Granite Speech 5.0 2B foi criado em 7 de outubro de 2026. Os pesos foram commitados na mesma noite, com uma mensagem de commit que diz apenas "Upload granite-speech-5.0-2b checkpoint." O card do modelo ficou então ali por treze dias sendo editado em público — gráficos de benchmark adicionados no dia 13, uma data de lançamento e resultados oficiais do leaderboard registrados no dia 19, um arquivo de assinatura do modelo no dia 20 — antes de a IBM publicar o post no blog que de fato o anunciou, em 21 de outubro de 2026. Este post no blog foi publicado há um dia, no momento em que escrevo, e ainda é a única coisa que a IBM disse sobre o modelo em qualquer lugar: não há press release, nem página de anúncio em ibm.com, e nada no site do produto Granite além da landing page genérica. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, sua gravidade, seu grau de confiança e sua sinalização de contestação.

A descrição honesta, portanto, não é "sem anúncio" nem "lançado com estardalhaço". É um modelo que ficou disponível para download discretamente por duas semanas, cuja ficha foi redigida abertamente e que recebeu seu anúncio um dia antes deste artigo. O que segue separa as partes que são verificáveis das que ainda são apenas a palavra da IBM.

O que está realmente no checkpoint

Granite Speech 5.0 2B é um modelo de fala-linguagem: um codificador acústico Conformer que alimenta um pequeno modelo de linguagem por meio de um projetor. Ele é o sucessor direto do granite-speech-4.1-2b, lançado em 29 de abril de 2026 com o mesmo número de parâmetros e a mesma licença Apache 2.0.

• Tamanho e formato — 2 bilhões de parâmetros, safetensors BF16, Apache 2.0, sem restrição de acesso no repositório.

• Codificador — 16 blocos Conformer treinados com CTC e duas cabeças de classificação: 348 saídas de caracteres (as primeiras 256 entradas ASCII, além de um conjunto fonético Katakana de 92 caracteres para japonês) e 100.353 saídas BPE extraídas do tokenizador Granite 4.0. Tamanho oculto 1.024, 8 cabeças de atenção de 128, kernel de convolução 15, atenção por blocos de quatro segundos.

Projetor — um transformer de consulta por janela de duas camadas sobre blocos de quinze embeddings acústicos de 1.024 dimensões, com três consultas treináveis por bloco e camada. Ele faz downsampling de 5× além do 2× do codificador, de modo que o modelo de linguagem vê embeddings de 10 Hz em vez de quadros de 100 Hz.

• Modelo de linguagem — um checkpoint intermediário do granite-4.0-1b-base, estendido para 16 mil posições com YaRN, com adaptadores LoRA treinados conjuntamente com o projetor.

• Treinamento — aproximadamente 390.000 horas de áudio público e sintético, 40 dias no total em 8 NVIDIA H100s (26 dias de treinamento do codificador, 14 de treinamento do projetor) no cluster Blue Vela da IBM.

• Idiomas — inglês, francês, alemão, espanhol, português e japonês para transcrição; tradução de e para inglês para esses seis, além de inglês para italiano e inglês para mandarim.

As 390.000 horas são o número que mais importa para aquilo em que o modelo é bom. A ficha detalha isso, e o maior bloco único não é fala lida limpa: o LibriHeavy fornece 45.600 horas de áudio sem pontuação e outras 45.800 de áudio com pontuação; o VoxPopuli Granary acrescenta 24.000, mais 23.900 com pontuação; e depois há 59.900 horas do que a IBM chama de ASR contextual — os mesmos corpora recortados novamente com um contexto ruidoso do segmento anterior prefixado ao prompt. Outras 7.100 e 16.500 horas são ASR com viés por palavra-chave nos grupos de línguas europeias e japonesas, respectivamente. Essa mistura é o motivo pelo qual as melhorias principais são pontuação, capitalização, robustez e viés por palavra-chave, e não a taxa bruta de erro de palavra em inglês limpo.

O número de 5,06%, e as letras miúdas abaixo dele

A principal alegação da IBM é uma taxa média de erro de palavra em inglês de 5,06% nos nove conjuntos de teste públicos de formato curto do Open ASR Leaderboard, que ela descreve como o ranking nº 2 entre os principais modelos ASR de pesos abertos. O cartão do modelo publica o mesmo número com um rótulo diferente — "resultados oficiais em 20 de outubro de 2026" — enquanto o blog do anúncio chama a execução subjacente de "não oficial, em 15 de outubro de 2026". Essas duas descrições estão a cinco dias e um adjetivo de distância, e ninguém fora da IBM reproduziu nenhuma delas.

O gráfico comparativo que o cartão traz merece uma leitura atenta, porque as suas regras de seleção têm um papel determinante. Mostra os dez melhores modelos de pesos abertos com base no WER médio, um por organização, com o Granite Speech 5.0 2B em segundo lugar:

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

• #2 Granite Speech 5.0 2B — 5,06%.

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

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

• #6 thewhisper-large-v3-turbo — 5,24%. Observe que este é um checkpoint da comunidade que toma emprestado o nome do Whisper, e não o whisper-large-v3-turbo da O​penAI, que pontua 7,83% no mesmo leaderboard. Os dois são frequentemente confundidos, e a confusão favorece qualquer comparação que você esteja lendo.

• #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%.

Duas coisas se seguem. Primeiro, a diferença para o líder é de 0,12 pontos percentuais, o que, em nove conjuntos de teste, está dentro do ruído que se obtém com uma configuração de decodificação diferente — trata-se de um empate em primeiro lugar, descrito como segundo lugar. Segundo, a dispersão do #2 ao #6 é de 0,18 pontos. O que quer que separe esses modelos em inglês limpo, não é precisão. O verdadeiro argumento de venda da IBM tem de estar em outro lugar, e está.

Onde o ganho é grande o suficiente para ser relevante: ruído e distância

O leaderboard FFASR mede fala ruidosa e reverberante — condições de campo próximo, SNR alta, SNR média e SNR baixa, com médias combinadas. Esta é a avaliação em que a geração 5.0 se separa da geração 4.1 por uma margem que você sente, e é o número mais útil no lançamento.

• Granite Speech 5.0 2B — WER médio de 14,80%, 4º lugar entre 42 modelos no ranking (resultados de 18 de outubro de 2026).

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

• granite-speech-4.1-2b — 16,35%, nº 9.

• Para comparação: o whisper-large-v3 está em 18,02% no mesmo ranking, e o nvidia/parakeet-tdt-0.6b-v2 em 17,66%.

Isso representa uma melhoria de 1,55 ponto em relação ao predecessor imediato em áudio distante e ruidoso — aproximadamente uma redução relativa de 9,5% nos erros — enquanto a média de inglês limpo passou de 5,33% para 5,06%, cerca de 5% em termos relativos. Em outras palavras, a melhoria é aproximadamente duas vezes maior nas condições em que as pessoas realmente implantam transcrição: salas de conferência, centrais de atendimento, microfones de laptop, microfones distantes de tablets. Se sua pilha de ASR já vai bem em áudio de estúdio e desmorona em uma sala de reunião, esta versão é destinada a você.

Pontuação melhorada; capitalização não.

A única tabela numérica do cartão compara 5.0 com 4.1 na taxa de erro de pontuação (PER, menor é melhor) e no F1 de uso de maiúsculas (maior é melhor), calculados sobre pares de palavras alinhados por Levenshtein, em vez de frases inteiras. Observe a direção de cada linha, porque o panorama não é 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, mas Cap-F1 95,35 → 95,07.

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

• CV-EN — PER 9.13 → 9.18 (ligeiramente pior); Cap-F1 96.75 → 96.96.

• CV-DE — PER 3,66 → 3,65; Cap-F1 99,50 → 99,51 (o alemão escreve os substantivos com maiúscula, razão pela qual esta linha está quase perfeita).

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

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

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

A pontuação avançou na direção certa em sete de nove conjuntos; o uso de maiúsculas avançou na direção errada em cinco de nove, entre 0,03 e 0,28 pontos. O resumo da IBM é "maior precisão de transcrição" e "pontuação e uso de maiúsculas", o que é defensável no agregado e ligeiramente generoso no detalhe. A leitura prática: espere menos vírgulas ausentes, não espere que o modelo passe de repente a acertar em nomes próprios e inícios de frase.

Duas funcionalidades que mudam o trabalho de integração

As capacidades com maior probabilidade de afetar uma implantação real não são avaliadas por benchmark no card, porque são recursos de controle, e não recursos de precisão.

Prompting de identificação de idioma. Você pode prefixar "The speech is in German. Transcribe it exactly; do not translate." e o modelo transcreverá alemão em vez de traduzi-lo para inglês. Isso importa porque um modelo de fala que traduz automaticamente é inutilizável para, digamos, um arquivo de suporte em alemão — você obtém uma transcrição em inglês e perde a redação original. O prompt também funciona quando escrito no idioma de destino, que é o caso mais realista para um pipeline multilíngue.

Viés de palavras-chave para até 2.000 termos. O limite do antecessor não é declarado como um número absoluto no cartão 4.1, mas o 5.0 eleva a lista suportada para dois mil termos, por prompt, em ASR e tradução de fala. Para nomes de produtos, nomes de medicamentos, IDs de tickets ou a própria lista de SKUs de um cliente, esta é a diferença entre uma transcrição utilizável e uma que precisa de correção. O cartão relata o F1 de viés de palavras-chave como um gráfico com e sem a aplicação de viés, mas sem valores numéricos em texto, então trate o tamanho da melhoria como não quantificado.

Há também um detalhe de design de segurança que vale a pena conhecer: se o modelo receber um prompt malformado ou desconhecido, a IBM diz que ele ignora o prompt e recorre à transcrição simples. Essa é uma restrição deliberada sobre o quanto o áudio pode influenciar o sistema, e a IBM recomenda combinar o modelo com o Granite Guardian para detecção de riscos em produção.

Executando.

O Granite Speech 5.0 2B tem suporte nativo em transformers>=4.52.1 via AutoModelForSpeechSeq2Seq e AutoProcessor. O card também documenta vLLM, llama.cpp e mlx-audio, o que importa mais do que parece: este é um modelo que você pode executar em um notebook, não apenas em um cluster de GPUs.

• Comprimento do segmento — transcreva em blocos de até cerca de dois minutos e divida gravações mais longas com VAD. O contexto de 16k YaRN não é uma licença para alimentá-lo com uma hora de áudio; a precisão se degrada bem antes do contexto.

• llama.cpp — o cartão recomenda Q8_0 e afirma que a quantização com menos bits perde precisão em áudio com duração superior a cerca de um minuto. É um aviso invulgarmente específico e que vale a pena levar à letra.

• mlx-audio — 0.5.9 ou posterior, além de jinja2, que o mlx-audio precisa para o template de chat, mas não instala por conta própria.

• Os prompts são específicos para cada tarefa e isso importa — "transcreva a fala com pontuação e capitalização adequadas" é um modo diferente do prompt de transcrição bruta, e o modo com viés por palavras-chave recebe um sufixo "Keywords: …".

O que ainda não é possível saber

Três coisas merecem ser ditas sem rodeios, porque a cobertura ao redor não o fará.

Primeiro, não há avaliação independente. Todos os números acima vêm da própria execução de avaliação da IBM ou de submissões à leaderboard feitas pela IBM. O gráfico do FFASR diz "resultados oficiais", o que significa que a submissão está no quadro, não que um terceiro executou o modelo. Ninguém publicou uma reprodução, um relato de modos de falha ou uma comparação direta com áudio que a IBM não escolheu.

Segundo, não há endpoint hospedado. O card do modelo afirma diretamente que o modelo "não é implantado por nenhum Provedor de Inferência", e também não consegui encontrá-lo no catálogo do OrcaRouter — a listagem de 209 modelos não contém nenhum checkpoint do Granite Speech de qualquer geração. Hoje, suas opções são os pesos ou nada. Isso é normal para um modelo que tem dois dias e vai mudar; planeje a hospedagem própria enquanto isso.

Terceiro, as licenças diferem dentro da família de uma forma que é fácil de confundir. O 2B é Apache 2.0, sem restrição comercial. O pequeno modelo TurboCTC é distribuído em duas variantes, uma Apache 2.0 e outra não comercial — a nomenclatura não deixa óbvio à primeira vista qual é qual.

Onde isso deixa um pipeline de fala

A arquitetura realista para uma implantação do Granite Speech 5.0 2B no final de 2026 é um codificador-decodificador auto-hospedado que transcreve áudio, e uma chamada separada a um modelo de linguagem que faz o que vier a seguir: resumir a chamada, extrair campos, classificar a intenção, limpar a transcrição de acordo com um esquema. Esse segundo estágio é geração de texto comum, e é a parte que se beneficia de não estar fixada a um único fornecedor — a transcrição vai para um endpoint compatível com O​penAI que consegue alcançar 200+ modelos pelo preço de tabela do provedor sem markup adicionado, então trocar o modelo de limpeza é uma mudança de configuração em vez de uma reconstrução, e uma indisponibilidade do provedor faz failover em vez de derrubar o pipeline junto.

Para o próprio estágio de fala, a decisão desta semana é mais restrita do que o gráfico de benchmark sugere. O Granite Speech 5.0 2B é um modelo ASR em inglês de pesos abertos credível entre os três melhores, uma melhoria clara em relação ao seu próprio antecessor exatamente nas condições que quebram o ASR em produção, e um modelo genuinamente multilíngue com tradução e controle de palavras-chave que a maioria dos concorrentes deste porte não oferece. Ele também tem apenas dois dias, foi avaliado pelo fornecedor e não foi reproduzido. Execute-o no seu áudio mais difícil antes de acreditar em 5.06%.