IBM Granite Speech 5: Mehr Tempo und Präzision für Spracherkennung
💡 Quellen-Hinweis: Dieser Beitrag ist eine redaktionelle Zusammenfassung basierend auf einem Originalbericht von Hugging Face Blog.
IBM aktualisiert seine Granite-Speech-Familie für Transkription, Übersetzung und Sprecherzuordnung. Die drei Modelle adressieren unterschiedliche Einsatzfelder: hohe Genauigkeit bei mehrsprachiger Sprache, schnelle lokale Transkription sowie lange Aufzeichnungen mit mehreren Sprecherinnen und Sprechern. Für Unternehmen sind das typische Anforderungen bei Meetings, Supportgesprächen und Medienarchiven.
Neues 2B-Modell für Transkription und Übersetzung
Granite Speech 5.0 2B ersetzt die Vorgängerversion bei gleicher Parameterzahl. Das Modell verarbeitet Englisch, Französisch, Deutsch, Spanisch, Portugiesisch und Japanisch; Übersetzungen sind in diesen Sprachen mit Englisch sowie von Englisch nach Italienisch und Mandarin vorgesehen. IBM nennt Training auf 390.000 Stunden öffentlichem Audio sowie ergänzende synthetische Daten.
Neu sind laut Hersteller eine robustere automatische Spracherkennung bei Lärm, Nachhall und weiter Mikrofonentfernung, sprachsteuernde Prompts und Keyword-Listen mit bis zu 2.000 Begriffen. Solche Listen können Eigennamen, Produktbezeichnungen oder Abkürzungen gezielt stützen. Zeichensetzung und Großschreibung lassen sich ebenfalls per Prompt anfordern.
Tempo am Edge und bessere Sprecherzuordnung
Das überarbeitete 470M-Modell Turbo CTC erweitert die Sprachen und bringt Satzzeichen direkt mit. IBM berichtet auf dem Open ASR Leaderboard eine Steigerung von rund 12.600 auf 19.870 RTFx, also etwa das 1,6-Fache bei vergleichbarer Genauigkeit. Der Wert beschreibt die Verarbeitungsgeschwindigkeit und ist besonders für Edge- oder Hochdurchsatzszenarien relevant.
Für Konferenzen und Calls richtet sich Granite Speech 4.1 2B Plus an Sprecherattribution und Zeitstempel. IBM nennt sieben Prozent niedrigere Fehlerwerte bei Sprecherzuordnung sowie eine mehr als halbierte durchschnittliche Zeitstempelabweichung. Bei langen Sprachaufnahmen sei die Word Error Rate im eigenen Vergleich um 24 Prozent gesunken. Als Herstellerwerte sollten diese Angaben vor einem Rollout mit repräsentativen Audioquellen geprüft werden.
Integration und praktische Prüfung
Alle Modelle stehen unter Apache 2.0 und werden laut IBM in Transformers, vLLM, llama.cpp und teilweise mlx-audio unterstützt. Das erleichtert Tests auf Servern, am Edge und auf Apple Silicon. Entscheidend bleiben jedoch Datenschutz, Sprachabdeckung, Akustik und die Qualität bei domänenspezifischen Begriffen. Ein Pilot mit echten, datenschutzkonform ausgewählten Aufnahmen zeigt verlässlicher als ein Benchmark, welches Modell zum jeweiligen Workflow passt.
Originalquelle: Hugging Face Blog – Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster
