IBM مدل شاخص تازه‌ای به مجموعه باز گفتار خود افزوده است. تیم Granite روز ۲۱ اکتبر ۲۰۲۶ مدل granite-speech-5.0-2b را در Hugging Face منتشر کرد و هم‌زمان نسخه‌های بازبینی‌شده دو مدل پرکاربرد، یعنی granite-speech-5.0-470m-turboctc و granite-speech-4.1-2b-plus، را عرضه کرد. هر سه با مجوز Apache 2.0 و پشتیبانی بومی در Transformers منتشر شده‌اند و IBM آن‌ها را مجموعه‌ای برای رونویسی و ترجمه دقیق، رونویسی بسیار سریع روی دستگاه و ضبط‌های چندگوینده معرفی می‌کند.
مدل 2B جانشین granite-speech-4.1-2b در همان رده اندازه است؛ کارت مدل حدود ۲٫۳ میلیارد پارامتر و ستون زبانی granite-4.0-1b-base را ذکر می‌کند. این مدل انگلیسی، فرانسوی، آلمانی، اسپانیایی، پرتغالی و ژاپنی را رونویسی می‌کند، میان انگلیسی و این زبان‌ها ترجمه می‌کند و از انگلیسی به ایتالیایی و ماندارین هم برمی‌گرداند. به گفته IBM، آموزش آن با ۳۹۰ هزار ساعت صدای عمومی و داده‌های مصنوعی ویژه ژاپنی، سوگیری کلیدواژه‌ای و ترجمه انجام شده است.
IBM در مقایسه با نسل قبل از دقت بیشتر در انگلیسی و مقاومت بهتر در برابر نویز، پژواک و میکروفون دور، امکان تعیین زبان ورودی در دستور، ترجمه بهتر گفتار طولانی و محاوره‌ای، فهرست‌های کلیدواژه تا دو هزار واژه برای نام محصولات، افراد و سرواژه‌ها، و نقطه‌گذاری و حروف بزرگ در صورت درخواست خبر می‌دهد. شرکت میانگین نرخ خطای واژه را در مجموعه‌های عمومی انگلیسی Open ASR Leaderboard برابر ۵٫۰۶ درصد اعلام کرده که به گفته‌اش مدل را در روز انتشار در جایگاه دوم مدل‌های باز قرار می‌دهد. افزون بر Transformers، پشتیبانی از vLLM، llama.cpp و mlx-audio روی Apple Silicon هم فراهم است.
مدل Turbo CTC، رمزگذاری با ۴۷۰ میلیون پارامتر که IBM در اوت فقط برای انگلیسی و با تمرکز بر سرعت معرفی کرده بود، اکنون هفت زبان را پوشش می‌دهد و نقطه‌گذاری و حروف بزرگ را مستقیم تولید می‌کند. IBM می‌گوید آموزش با صدای پرپژواک آن را در اتاق‌های پرانعکاس مقاوم‌تر کرده و کامپایل یک بلوک Conformer و استفاده دوباره از گراف آن، سرعت را در جدول رده‌بندی از حدود ۱۲٬۶۰۰ به ۱۹٬۸۷۰ RTFx با دقتی مشابه رسانده است. همین خانواده Turbo CTC اکنون بخش گفتار Granite Switch 4.1 را که اوایل اکتبر عرضه شد پشتیبانی می‌کند.
مدل سوم، granite-speech-4.1-2b-plus، نام خود را حفظ کرده چون معماری، قالب دستور و API آن تغییری نکرده و فقط وزن‌ها تازه‌اند؛ بنابراین می‌توان آن را مستقیم جایگزین کرد. این مدل برای جلسه‌ها، تماس‌های پشتیبانی و مصاحبه‌ها طراحی شده است. در جدول‌های IBM، خطای تفکیک گوینده در سطح واژه از ۴٫۴۰ به ۴٫۱۰، WER منتسب به گوینده از ۳۰٫۵۰ به ۲۸٫۴۸، WER گفتار طولانی از ۱۳٫۵۳ به ۱۰٫۲۲ و میانگین جابه‌جایی برچسب زمانی از حدود ۲۱۱ به ۹۹ رسیده است.
برای توسعه‌دهندگان، جذابیت اصلی مدل‌های گفتاری با مجوز آزاد است که در ابزارهای رایج استنتاج باز اجرا می‌شوند و اندازه‌هایشان از دستگاه تا سرور را پوشش می‌دهد. شرکت‌هایی که روی تحلیل تماس یا ابزارهای جلسه کار می‌کنند، بدون اتکا به API انحصاری به تفکیک گوینده و سوگیری کلیدواژه دسترسی پیدا می‌کنند و IBM توصیه می‌کند در محیط عملیاتی آن‌ها را با Granite Guardian برای شناسایی ریسک همراه کنند.
ارقام عملکرد را خود IBM اندازه‌گیری کرده و رتبه جدول تنها تصویری از روز انتشار است که با ورود مدل‌های دیگر تغییر می‌کند. نتایج چندزبانه و ترجمه در اطلاعیه فقط خلاصه شده‌اند، پس بهتر است کارت‌های مدل بررسی و روی صدای واقعی خود آزموده شوند.