Granite Speech 5.0 2B: โมเดล ASR ใหม่ของ IBM อยู่บน Hugging Face นานสองสัปดาห์ก่อนที่ IBM จะประกาศเปิดตัว

ที่เก็บข้อมูลสำหรับ Granite Speech 5.0 2Bถูกสร้างขึ้นเมื่อ 7 ตุลาคม 2026 น้ำหนักโมเดลถูกคอมมิตในเย็นวันเดียวกัน โดยใช้ข้อความคอมมิตที่ระบุเพียงว่า "Upload granite-speech-5.0-2b checkpoint" จากนั้นการ์ดโมเดลก็อยู่เฉย ๆ เป็นเวลาสิบสามวันพร้อมถูกแก้ไขต่อสาธารณะ — มีการเพิ่มแผนภูมิ benchmark เมื่อวันที่ 13 มีการประทับวันที่เผยแพร่และผลลัพธ์อย่างเป็นทางการจาก leaderboard เมื่อวันที่ 19 และมีไฟล์ลายเซ็นโมเดลเมื่อวันที่ 20 — ก่อนที่ IBM จะเผยแพร่โพสต์บล็อกที่ประกาศโมเดลนี้จริง ๆ เมื่อ 21 ตุลาคม 2026 โพสต์บล็อกนั้นมีอายุหนึ่งวัน ณ เวลาที่ฉันเขียนสิ่งนี้ และยังคงเป็นสิ่งเดียวที่ IBM กล่าวถึงโมเดลนี้ในทุกที่: ไม่มีข่าวประชาสัมพันธ์ ไม่มีหน้าประกาศบน ibm.com และไม่มีสิ่งใดบนเว็บไซต์ผลิตภัณฑ์ Granite นอกเหนือจากหน้าแลนดิ้งทั่วไป ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวเช่นนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง

ดังนั้นคำอธิบายที่ตรงไปตรงมาจึงไม่ใช่ "ไม่ได้ประกาศ" และก็ไม่ใช่ "เปิดตัวพร้อมเสียงเชียร์" เช่นกัน มันคือโมเดลที่ดาวน์โหลดได้อย่างเงียบ ๆ เป็นเวลาสองสัปดาห์ ซึ่งการ์ดของมันถูกเขียนขึ้นอย่างเปิดเผย และได้รับการประกาศเพียงหนึ่งวันก่อนบทความนี้ สิ่งที่ตามมาจะแยกส่วนที่ตรวจสอบได้ออกจากส่วนที่ยังเป็นเพียงคำพูดของ IBM เท่านั้น

จริง ๆ แล้วข้างในเช็กพอยต์มีอะไรกันแน่

Granite Speech 5.0 2B เป็นโมเดลเสียง-ภาษา: เอนโคเดอร์เสียงแบบ Conformer ที่ป้อนข้อมูลเข้าสู่โมเดลภาษาขนาดเล็กผ่านโปรเจกเตอร์ เป็นผู้สืบทอดโดยตรงจาก granite-speech-4.1-2b ซึ่งเปิดตัวเมื่อวันที่ 29 เมษายน 2026 ด้วยจำนวนพารามิเตอร์เท่ากันและสัญญาอนุญาต Apache 2.0 เดียวกัน

• ขนาดและรูปแบบ — 2B พารามิเตอร์, safetensors แบบ BF16, Apache 2.0, ไม่มีการจำกัดการเข้าถึงบนรีโพซิทอรี

• Encoder — บล็อก Conformer จำนวน 16 บล็อกที่ฝึกด้วย CTC และหัวจำแนกประเภทสองหัว: เอาต์พุตระดับอักขระ 348 รายการ (รายการ ASCII 256 รายการแรก บวกชุดคาตาคานะแบบสัทศาสตร์ 92 อักขระสำหรับภาษาญี่ปุ่น) และเอาต์พุต BPE 100,353 รายการที่ดึงมาจาก tokenizer ของ Granite 4.0 ขนาดฮิดเดน 1,024, แอตเทนชันเฮด 8 หัว ขนาด 128, เคอร์เนลคอนโวลูชัน 15, แอตเทนชันแบบบล็อกสี่วินาที

• Projector — Transformer แบบ window query สองชั้นที่ทำงานบนบล็อกของ acoustic embedding ขนาด 1,024 มิติ จำนวน 15 รายการ โดยมี query ที่ฝึกได้สามตัวต่อบล็อกและต่อเลเยอร์ มันทำ downsampling 5× เพิ่มจาก 2× ของ encoder ดังนั้นโมเดลภาษาจึงมองเห็น embedding ที่ 10 Hz แทนที่จะเป็นเฟรมที่ 100 Hz

• โมเดลภาษา — เช็กพอยต์ระดับกลางของ granite-4.0-1b-base ซึ่งขยายเป็น 16k ตำแหน่งด้วย YaRN และมีอะแดปเตอร์ LoRA ที่ฝึกพร้อมกันกับโปรเจกเตอร์

• การฝึก — ข้อมูลเสียงสาธารณะและเสียงสังเคราะห์ประมาณ 390,000 ชั่วโมง ใช้เวลารวม 40 วันบน NVIDIA H100 จำนวน 8 ตัว (ฝึก encoder 26 วัน ฝึก projector 14 วัน) บนคลัสเตอร์ Blue Vela ของ IBM

• ภาษา — อังกฤษ ฝรั่งเศส เยอรมัน สเปน โปรตุเกส และญี่ปุ่น สำหรับการถอดเสียง; การแปลเป็นและจากภาษาอังกฤษสำหรับหกภาษานั้น รวมถึงภาษาอังกฤษเป็นอิตาลีและภาษาอังกฤษเป็นจีนกลาง

390,000 ชั่วโมงคือตัวเลขที่สำคัญที่สุดสำหรับสิ่งที่โมเดลทำได้ดี การ์ดนี้แจกแจงรายละเอียดไว้ และบล็อกเดี่ยวที่ใหญ่ที่สุดไม่ใช่เสียงอ่านที่สะอาด: LibriHeavy ให้ข้อมูลเสียงที่ไม่มีการเติมเครื่องหมายวรรคตอน 45,600 ชั่วโมง และเสียงที่มีเครื่องหมายวรรคตอนอีก 45,800 ชั่วโมง VoxPopuli Granary เพิ่มอีก 24,000 ชั่วโมง บวกกับ 23,900 ชั่วโมงที่มีเครื่องหมายวรรคตอน และยังมีอีก 59,900 ชั่วโมงของสิ่งที่ IBM เรียกว่า contextual ASR — คลังข้อมูลชุดเดียวกันที่ถูกตัดใหม่โดยเติมบริบทของส่วนก่อนหน้าที่มีเสียงรบกวนไว้ข้างหน้าพรอมต์ อีก 7,100 และ 16,500 ชั่วโมงเป็นการทำ ASR ที่ลำเอียงตามคำสำคัญในกลุ่มภาษายุโรปและภาษาญี่ปุ่นตามลำดับ ส่วนผสมนี้เป็นเหตุให้การปรับปรุงที่ถูกยกเป็นจุดเด่นคือเครื่องหมายวรรคตอน การใช้ตัวพิมพ์ใหญ่ ความทนทาน และการลำเอียงตามคำสำคัญ มากกว่าอัตราความผิดพลาดระดับคำบนภาษาอังกฤษที่สะอาด

ตัวเลข 5.06% และข้อความตัวเล็กที่อยู่ใต้ตัวเลขนั้น

ข้อกล่าวอ้างหลักของ IBM คืออัตราความผิดพลาดระดับคำภาษาอังกฤษเฉลี่ย 5.06% จากชุดทดสอบรูปแบบสั้นสาธารณะทั้งเก้าชุดของ Open ASR Leaderboard ซึ่ง IBM ระบุว่าอยู่ในอันดับที่ 2 ในกลุ่มโมเดล ASR แบบเปิดเวตชั้นนำ การ์ดโมเดลเผยแพร่ตัวเลขเดียวกันนี้แต่ใช้ป้ายกำกับที่ต่างออกไป — "ผลลัพธ์อย่างเป็นทางการ ณ วันที่ 20 ตุลาคม 2026" — ขณะที่บล็อกประกาศเรียกการรันที่เป็นฐานของตัวเลขนี้ว่า "ไม่เป็นทางการ ณ วันที่ 15 ตุลาคม 2026" คำอธิบายทั้งสองนี้ห่างกันห้าวันกับคำคุณศัพท์หนึ่งคำ และยังไม่มีใครนอก IBM ที่ทำซ้ำผลลัพธ์ใด ๆ เหล่านี้ได้

แผนภูมิเปรียบเทียบที่การ์ดนี้มีมาคุ้มค่าที่จะอ่านอย่างละเอียด เพราะกฎการคัดเลือกของแผนภูมิมีบทบาทสำคัญมาก แผนภูมิแสดงสิบอันดับโมเดลโอเพนเวทที่ดีที่สุดตามค่า WER เฉลี่ย โดยหนึ่งโมเดลต่อหนึ่งองค์กร และมี Granite Speech 5.0 2B อยู่ในอันดับที่สอง:

• #1 Qwen3-ASR-1.7B-hf — WER เฉลี่ย 4.94%

• อันดับที่ 2 Granite Speech 5.0 2B — 5.06%

• อันดับ 3 cohere-transcribe-03-2026 — 5.21%

• #4 Hojo-ASR-V1 และ #5 higgs-audio-v3-stt — 5.22% ต่อโมเดล

• #6 thewhisper-large-v3-turbo — 5.24% โปรดทราบว่านี่คือเช็กพอยต์จากชุมชนที่ยืมชื่อ Whisper มาใช้ ไม่ใช่ whisper-large-v3-turbo ของ O​penAI ซึ่งได้ 7.83% บนลีดเดอร์บอร์ดเดียวกัน สองตัวนี้มักถูกสับสนกันบ่อย และความสับสนนี้ทำให้การเปรียบเทียบที่คุณกำลังอ่านอยู่ดูดีเกินจริงไปข้างหนึ่ง

• #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%

มีสองประเด็นตามมา ประเด็นแรก ช่องว่างถึงผู้นำคือ 0.12 เปอร์เซ็นต์ ซึ่งบนชุดทดสอบเก้าชุดถือว่าอยู่ภายในความคลาดเคลื่อนที่เกิดจากการกำหนดค่าการถอดรหัสที่ต่างกัน — นี่คือการเสมอกันในอันดับหนึ่ง แต่ถูกเรียกเป็นอันดับสอง ประเด็นที่สอง ช่วงห่างจากอันดับ 2 ถึงอันดับ 6 คือ 0.18 คะแนน ไม่ว่าอะไรจะทำให้โมเดลเหล่านี้ต่างกันบนภาษาอังกฤษที่สะอาด มันไม่ใช่ความแม่นยำ จุดขายจริงของ IBM ต้องอยู่ที่อื่น และก็เป็นเช่นนั้นจริง ๆ

เมื่อเกนมากพอที่จะส่งผลได้: สัญญาณรบกวนและระยะทาง

ลีดเดอร์บอร์ด FFASR วัดเสียงพูดที่มีเสียงรบกวนและเสียงก้อง — สภาพระยะใกล้, SNR สูง, SNR กลาง และ SNR ต่ำ โดยเฉลี่ยรวมกัน นี่คือการประเมินที่รุ่น 5.0 แยกตัวออกจากรุ่น 4.1 ด้วยช่องว่างที่คุณสัมผัสได้ และเป็นตัวเลขที่มีประโยชน์ที่สุดในการเปิดตัวครั้งนี้

• Granite Speech 5.0 2B — WER เฉลี่ย 14.80% อยู่อันดับ #4 จาก 42 โมเดลบนลีดเดอร์บอร์ด (ผลลัพธ์ ณ วันที่ 18 ตุลาคม 2026)

• granite-speech-4.1-2b-nar — 15.16%, อันดับที่ 6

• granite-speech-4.1-2b — 16.35%, #9

• เพื่อให้เห็นภาพ: whisper-large-v3 อยู่ที่ 18.02% บนกระดานผู้นำเดียวกัน และ nvidia/parakeet-tdt-0.6b-v2 อยู่ที่ 17.66%

นั่นคือการปรับปรุง 1.55 จุดเมื่อเทียบกับรุ่นก่อนหน้าโดยตรงบนเสียงระยะไกลและเสียงที่มีสัญญาณรบกวน — ลดข้อผิดพลาดลงประมาณ 9.5% แบบสัมพัทธ์ — ขณะที่ค่าเฉลี่ยภาษาอังกฤษที่สะอาดขยับจาก 5.33% เป็น 5.06% หรือประมาณ 5% แบบสัมพัทธ์ กล่าวอีกนัยหนึ่ง การปรับปรุงมีขนาดใหญ่กว่าประมาณสองเท่าในสภาวะที่ผู้คนใช้งานถอดเสียงจริง เช่น ห้องประชุม ศูนย์ติดต่อ ไมโครโฟนแล็ปท็อป ไมโครโฟนแท็บเล็ตระยะไกล หากระบบ ASR ของคุณทำงานได้ดีอยู่แล้วกับเสียงจากสตูดิโอ แต่พังเมื่ออยู่ในห้องประชุม รีลีสนี้ตั้งใจทำมาเพื่อคุณ

เครื่องหมายวรรคตอนดีขึ้น แต่การใช้ตัวพิมพ์ใหญ่ไม่ดีขึ้น

ตารางตัวเลขเพียงตารางเดียวในการ์ดนี้เปรียบเทียบ 5.0 กับ 4.1 ในด้านอัตราความผิดพลาดเรื่องเครื่องหมายวรรคตอน (PER ยิ่งต่ำยิ่งดี) และค่า F1 ของการใช้อักษรตัวพิมพ์ใหญ่ (ยิ่งสูงยิ่งดี) ซึ่งคำนวณจากคู่คำที่จัดแนวด้วยวิธี Levenshtein แทนที่จะเป็นทั้งประโยค โปรดสังเกตทิศทางของแต่ละแถว เพราะภาพรวมไม่ได้เป็นไปในทิศทางเดียวกันทั้งหมด

• 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 แต่ Cap-F1 95.35 → 95.07

• กำไร-22 — PER 22.87 → 21.64 แต่ Cap-F1 95.19 → 94.98

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

• CV-DE — PER 3.66 → 3.65; Cap-F1 99.50 → 99.51 (ภาษาเยอรมันเขียนคำนามด้วยตัวพิมพ์ใหญ่ ซึ่งเป็นเหตุให้แถวนี้เกือบสมบูรณ์แบบ)

• CV-ES — PER 11.61 → 11.46, Cap-F1 95.68 → 95.62

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

• CV-PT — PER 7.86 → 7.53; Cap-F1 98.51 → 98.48

เครื่องหมายวรรคตอนเคลื่อนไปในทิศทางที่ถูกต้องในเจ็ดจากเก้าชุด ส่วนการใช้ตัวพิมพ์ใหญ่เคลื่อนไปในทิศทางที่ผิดในห้าจากเก้าชุด โดยอยู่ระหว่าง 0.03 ถึง 0.28 คะแนน สรุปของ IBM คือ “ความแม่นยำในการถอดความที่สูงขึ้น” และ “เครื่องหมายวรรคตอนและการใช้ตัวพิมพ์ใหญ่” ซึ่งป้องกันได้ในภาพรวมและใจกว้างเกินไปเล็กน้อยในรายละเอียด การตีความในทางปฏิบัติ: คาดว่าจะมีเครื่องหมายจุลภาคที่ขาดหายไปน้อยลง แต่อย่าคาดหวังว่าโมเดลจะทำคำนามเฉพาะและการขึ้นต้นประโยคได้ถูกต้องในทันที

สองฟีเจอร์ที่เปลี่ยนงานด้านการผสานรวม

ความสามารถที่มีแนวโน้มจะส่งผลต่อการนำไปใช้งานจริงมากที่สุดไม่ได้ถูกวัดผลใน benchmark ภายในการ์ดเลย เพราะสิ่งเหล่านี้เป็นคุณลักษณะด้านการควบคุมมากกว่าคุณลักษณะด้านความแม่นยำ

การพรอมป์ด้วย Language-ID คุณสามารถเติมข้อความนำหน้าได้ว่า “เสียงพูดเป็นภาษาเยอรมัน ถอดเสียงให้ตรงตามต้นฉบับทุกคำ ห้ามแปล” แล้วโมเดลจะถอดเสียงเป็นภาษาเยอรมันแทนที่จะแปลเป็นภาษาอังกฤษ สิ่งนี้สำคัญเพราะโมเดลถอดเสียงที่แปลอัตโนมัติใช้ไม่ได้กับงานอย่างคลังข้อมูลฝ่ายสนับสนุนภาษาเยอรมัน — คุณจะได้บทถอดเสียงภาษาอังกฤษและสูญเสียถ้อยคำต้นฉบับ พรอมป์ยังใช้ได้เมื่อเขียนเป็นภาษาปลายทาง ซึ่งเป็นกรณีที่สมจริงกว่าสำหรับไปป์ไลน์หลายภาษา

การให้น้ำหนักคำสำคัญ (keyword biasing) รองรับสูงสุด 2,000 คำ การ์ด 4.1 ไม่ได้ระบุขีดจำกัดของรุ่นก่อนหน้าเป็นตัวเลขตายตัว แต่ 5.0 เพิ่มรายการที่รองรับเป็นสองพันคำต่อพร้อมต์ ครอบคลุมทั้ง ASR และการแปลคำพูด สำหรับชื่อผลิตภัณฑ์ ชื่อยา รหัสตั๋ว หรือรายการ SKU ของลูกค้าเอง นี่คือความแตกต่างระหว่างทรานสคริปต์ที่ใช้งานได้กับทรานสคริปต์ที่ต้องแก้ไข การ์ดรายงานค่า F1 ของ keyword biasing เป็นแผนภูมิทั้งแบบใช้และไม่ใช้ biasing แต่ไม่มีค่าตัวเลขในข้อความ จึงควรมองว่าขนาดของการปรับปรุงยังไม่ได้ระบุเป็นตัวเลข

ยังมีรายละเอียดด้านการออกแบบความปลอดภัยที่น่ารู้ไว้อีกประการหนึ่ง: หากโมเดลได้รับพรอมป์ที่ผิดรูปแบบหรือไม่คุ้นเคย IBM กล่าวว่าโมเดลจะเพิกเฉยต่อพรอมป์นั้นและกลับไปใช้การถอดเสียงแบบปกติ นี่เป็นข้อจำกัดโดยเจตนาว่าเสียงสามารถมีอิทธิพลต่อระบบได้มากเพียงใด และ IBM แนะนำให้จับคู่โมเดลกับ Granite Guardian สำหรับการตรวจจับความเสี่ยงในการใช้งานจริง

กำลังรันมัน

Granite Speech 5.0 2B รองรับแบบเนทีฟใน transformers>=4.52.1 ผ่าน AutoModelForSpeechSeq2Seq และ AutoProcessor การ์ดนี้ยังระบุถึง vLLM, llama.cpp และ mlx-audio ซึ่งสำคัญกว่าที่อาจคิด: นี่คือโมเดลที่คุณรันบนแล็ปท็อปได้ ไม่ใช่แค่เบื้องหลังคลัสเตอร์ GPU เท่านั้น

• ความยาวของช่วงเสียง — ถอดเสียงเป็นท่อน ๆ ละไม่เกินประมาณสองนาที และแบ่งไฟล์บันทึกเสียงที่ยาวกว่านั้นด้วย VAD คอนเท็กซ์ 16k แบบ YaRN ไม่ใช่ใบอนุญาตให้ป้อนเสียงหนึ่งชั่วโมงเข้าไป ความแม่นยำจะลดลงก่อนที่คอนเท็กซ์จะเต็มด้วยซ้ำ

• llama.cpp — การ์ดแนะนำ Q8_0 และระบุว่าการควอนไทซ์ระดับบิตที่ต่ำกว่าจะสูญเสียความแม่นยำกับเสียงที่ยาวกว่าราวหนึ่งนาที นั่นเป็นคำเตือนที่เจาะจงผิดปกติและควรค่าแก่การปฏิบัติตามอย่างตรงตัว

• mlx-audio — 0.5.9 หรือใหม่กว่า พร้อมด้วย jinja2 ซึ่ง mlx-audio จำเป็นต้องใช้สำหรับเทมเพลตแชทแต่ไม่ได้ติดตั้งให้เอง

• พรอมต์นั้นเจาะจงตามงานและมีความสำคัญ — "ถอดเสียงคำพูดพร้อมใส่เครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่ให้ถูกต้อง" เป็นโหมดที่แตกต่างจากพรอมต์แบบถอดความดิบ และโหมดที่ให้น้ำหนักกับคำสำคัญจะใช้ส่วนต่อท้าย "Keywords: …"

สิ่งที่ยังไม่อาจรู้ได้

มีสามเรื่องที่ควรกล่าวอย่างตรงไปตรงมา เพราะการรายงานข่าวโดยรอบจะไม่ทำเช่นนั้น

ประการแรก ไม่มีการประเมินที่เป็นอิสระ ตัวเลขทั้งหมดข้างต้นมาจากการรันประเมินของ IBM เอง หรือจากการส่งผลเข้าร่วมกระดานจัดอันดับที่ IBM เป็นผู้ส่ง แผนภูมิ FFASR ระบุว่า "ผลลัพธ์อย่างเป็นทางการ" ซึ่งหมายความว่าผลนั้นอยู่บนกระดานจัดอันดับ ไม่ได้หมายความว่าบุคคลที่สามเป็นผู้รันโมเดล ยังไม่มีใครเผยแพร่การทำซ้ำ การเขียนสรุปโหมดความล้มเหลว หรือการเปรียบเทียบแบบตัวต่อตัวบนเสียงที่ IBM ไม่ได้เลือก

ประการที่สอง ไม่มีเอนด์พอยต์แบบโฮสต์ การ์ดโมเดลระบุตรง ๆ ว่าโมเดลนี้ "ไม่ได้ถูก deploy โดย Inference Provider รายใด" และผมก็หาไม่พบในแคตตาล็อกของ OrcaRouter เช่นกัน — รายการที่มี 209 โมเดลไม่มี checkpoint ของ Granite Speech รุ่นใดเลย วันนี้ตัวเลือกของคุณคือไฟล์น้ำหนักโมเดล หรือไม่ก็ไม่มีอะไรเลย ซึ่งเป็นเรื่องปกติสำหรับโมเดลที่เพิ่งอายุสองวัน และสถานการณ์นี้จะเปลี่ยนไป ระหว่างนี้ให้วางแผนสำหรับการโฮสต์เอง

ประการที่สาม สิทธิ์การใช้งานแตกต่างกันไปในแต่ละรุ่นของตระกูลนี้ ในลักษณะที่พลาดได้ง่าย รุ่น 2B เป็น Apache 2.0 โดยไม่มีข้อจำกัดทางการค้า ส่วนโมเดล TurboCTC ขนาดเล็กมีออกมาสองรูปแบบ คือแบบ Apache 2.0 หนึ่ง และแบบไม่ใช้เชิงพาณิชย์หนึ่ง — ชื่อของทั้งสองแบบไม่ได้ทำให้เห็นได้ชัดในทันทีว่าอันไหนเป็นอันไหน

สิ่งนี้ทำให้ไปป์ไลน์เสียง (speech pipeline) อยู่ตรงไหน

สถาปัตยกรรมที่เป็นจริงสำหรับการติดตั้งใช้งาน Granite Speech 5.0 2B ในปลายปี 2026 คือ encoder-decoder ที่โฮสต์เองซึ่งถอดเสียงเป็นข้อความ และการเรียกโมเดลภาษาแยกต่างหากเพื่อทำสิ่งที่เกิดขึ้นต่อไป เช่น สรุปสายสนทนา ดึงฟิลด์ข้อมูล จำแนกเจตนา และทำความสะอาดทรานสคริปต์ให้ตรงตามสคีมา ขั้นที่สองนี้คือการสร้างข้อความธรรมดา และเป็นส่วนที่ได้ประโยชน์จากการไม่ผูกติดแบบตายตัวกับผู้ให้บริการรายเดียว — ทรานสคริปต์จะถูกส่งไปยัง endpoint ที่เข้ากันได้กับ OpenAI หนึ่งจุดซึ่งเข้าถึง โมเดล 200+ รายการในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม ดังนั้นการสลับโมเดลทำความสะอาดจึงเป็นการเปลี่ยนการตั้งค่าแทนการสร้างระบบใหม่ และ เมื่อผู้ให้บริการล่ม ระบบจะสลับไปใช้ตัวสำรองแทนที่จะทำให้ทั้งไปป์ไลน์ล่มตามไปด้วย.

สำหรับขั้นตอนการรู้จำเสียงพูดนั้น การตัดสินใจในสัปดาห์นี้แคบกว่าที่แผนภูมิ benchmark ชี้ไว้ Granite Speech 5.0 2B เป็นโมเดล ASR ภาษาอังกฤษแบบ open-weights ที่น่าเชื่อถือระดับท็อปสาม เป็นการยกระดับที่ชัดเจนจากรุ่นก่อนของตัวเองในสภาวะเดียวกันกับที่ทำให้ ASR ล้มเหลวในการใช้งานจริง และเป็นโมเดลหลายภาษาที่แท้จริงซึ่งมีความสามารถด้านการแปลและการควบคุมคีย์เวิร์ดที่คู่แข่งส่วนใหญ่ในขนาดนี้ไม่มีให้ นอกจากนี้ยังเพิ่งเปิดตัวได้สองวัน ผ่านการ benchmark โดยผู้ขาย และยังไม่มีการทำซ้ำผลลัพธ์ จงรันมันกับเสียงที่ยากที่สุดของคุณเองก่อนที่จะเชื่อ 5.06%