IBM lança Granite Speech 5.0 com mais precisão em transcrição, tradução e identificação de quem fala

A IBM tratou o lançamento como três peças para três cenários. O granite-speech-5.0-2b sucede o 4.1 2B com o mesmo número de parâmetros e cobre inglês, francês, alemão, espanhol, português e japonês. Também traduz de e para o inglês nesses idiomas, além de inglês para italiano e mandarim. O treino usou 390 mil horas de áudio público, mais dados sintéticos para ASR em japonês, viés de palavras-chave e tradução. O modelo aceita listas de até 2.000 termos para forçar nomes de produtos, pessoas e siglas, e permite pedir pontuação e capitalização direto no prompt.

O Turbo CTC mantém o encoder de 470M e agora é multilíngue, com sete idiomas e pontuação nativa. A IBM compilou um único bloco Conformer e reaproveitou o grafo na pilha inteira, o que cortou o warmup e levou o modelo a 19.870 RTFx, contra cerca de 12.600 no lançamento. Já o granite-speech-4.1-2b-plus mantém o nome porque arquitetura, formato de prompt e API não mudaram. É troca direta de pesos, com foco em reuniões e chamadas longas: 7% menos erro de diarização, timestamps com deslocamento médio cortado em mais da metade e 45% menos erros em palavras-chave com listas de 20 termos. Tudo sai sob Apache 2.0, com suporte em Transformers, vLLM, llama.cpp e mlx-audio para Apple Silicon (no caso do 5.0-2b).

O Turbo CTC foi apresentado em agosto de 2026 como encoder só de inglês, feito para velocidade. A revisão desta semana entrega o que os usuários mais pediam: sete idiomas, pontuação e capitalização nativas e mais robustez em áudio com eco. A velocidade subiu cerca de 1,6x, de aproximadamente 12.600 para 19.870 RTFx, segundo a IBM, no mesmo nível de precisão.

A disputa por transcrição ficou cheia em 2026. A xAI lançou o Grok Voice Transcribe 2.0 em setembro de 2026 e a Microsoft apresentou o MAI-Transcribe em outubro de 2026. A IBM responde com pesos abertos, licença permissiva e um modelo em 2º lugar entre os open-weight no Open ASR Leaderboard, com WER médio de 5,06% em inglês. Para quem precisa rodar em infraestrutura própria, isso pesa.