25 августа 2026 г.
3,5 часа речи расшифровываются за секунду: IBM отдала Granite Speech 5.0 Turbo под Apache 2.0
Granite Speech 5.0 Turbo CTC весит 470 млн параметров, ошибается примерно в одном слове из двадцати и, по обещанию IBM, идёт на ноутбуке.
Одна видеокарта H200 перемалывает 3,5 часа английской речи за секунду.
IBM выложила Granite Speech 5.0 Turbo CTC 25.08.2026. Расшифровка часового созвона больше не отдельная задача на вечер: архив записей прогоняется пачкой за минуты.
Скорость выросла в 20 раз. У прежних моделей Granite Speech внутри стоял LLM-бэкбон. Теперь IBM собрала модель без него, на 16 Conformer-блоках, и пропускная способность к прошлому поколению выросла больше чем в 20 раз: свыше 12 600 RTFx при батч-инференсе.
Точность при этом держится. Агрегатный WER 5,00% на публичных тестах Open ASR Leaderboard и FFASR, то есть примерно одна ошибка на двадцать слов. У некоммерческой версии 4,85%: её дообучили на GigaSpeech и SPGI Speech, это ещё почти 15 тысяч часов записей.
Попробовать можно в браузере. IBM открыла демо потокового распознавания без установки, оно работает в Chrome или Edge. Для своего кода модель ставится из исходников transformers, дальше AutoProcessor и AutoModelForCTC с device_map="auto".
Версий две. Apache 2.0 разрешает коммерческое использование, чуть более точная CC-BY-NC-SA-4.0 нет. Язык один: английский, мультиязычной расшифровки и перевода в этих моделях нет.
Поддержку уже влили в transformers: до релиза 5.16.0 библиотека ставится из исходников.
Первоисточник