IBM étoffe sa gamme ouverte de modèles vocaux avec un nouveau fer de lance. Le 21 octobre 2026, l'équipe Granite a publié sur Hugging Face granite-speech-5.0-2b, accompagné de versions révisées de deux modèles déjà adoptés, granite-speech-5.0-470m-turboctc et granite-speech-4.1-2b-plus. Les trois sont diffusés sous licence Apache 2.0 et pris en charge nativement par Transformers. IBM les présente comme un ensemble couvrant la transcription et la traduction de précision, la transcription très rapide sur appareil et les enregistrements à plusieurs voix.
Le modèle 2B prend la suite de granite-speech-4.1-2b dans la même catégorie de taille ; sa fiche indique environ 2,3 milliards de paramètres et un socle linguistique granite-4.0-1b-base. Il transcrit l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais, traduit entre l'anglais et ces langues, et de l'anglais vers l'italien et le mandarin. IBM dit l'avoir entraîné sur 390 000 heures d'audio public complétées par des données synthétiques ciblant le japonais, le biais par mots-clés et la traduction.
Par rapport à son prédécesseur, IBM met en avant une meilleure précision en anglais et une plus grande résistance au bruit, à l'écho et aux micros éloignés, la possibilité d'indiquer la langue d'entrée dans la consigne, une traduction plus fiable des propos longs et spontanés, des listes de jusqu'à 2 000 termes pour privilégier noms de produits, personnes et sigles, ainsi que la ponctuation et les majuscules sur demande. Le groupe annonce un taux d'erreur moyen par mot de 5,06 % sur les jeux publics anglais de l'Open ASR Leaderboard, ce qui le placerait deuxième parmi les modèles ouverts le jour de la sortie. Outre Transformers, vLLM, llama.cpp et mlx-audio pour Apple Silicon sont pris en charge.
Turbo CTC, un encodeur de 470 millions de paramètres lancé en août pour l'anglais seul et centré sur la vitesse, gère désormais sept langues et produit nativement ponctuation et majuscules. Selon IBM, un entraînement sur de l'audio réverbéré le rend plus robuste dans les pièces sonores, et la compilation d'un unique bloc Conformer dont le graphe est réutilisé a porté son débit à 19 870 RTFx sur le classement, contre environ 12 600 au lancement, à précision comparable. Cette famille Turbo CTC alimente déjà la partie vocale de Granite Switch 4.1, présenté début octobre.
Le troisième modèle, granite-speech-4.1-2b-plus, conserve son nom car son architecture, son format de consigne et son API ne bougent pas : seuls les poids changent, ce qui permet un remplacement direct. Il vise les réunions, les appels d'assistance et les entretiens. D'après les tableaux d'IBM, le taux d'erreur de diarisation par mot passe de 4,40 à 4,10, le WER attribué aux locuteurs de 30,50 à 28,48, le WER sur enregistrements longs de 13,53 à 10,22 et le décalage moyen des horodatages d'environ 211 à 99.
Pour les développeurs, l'intérêt tient à des modèles vocaux sous licence permissive qui tournent dans les environnements ouverts courants, avec des tailles allant de l'appareil au serveur. Les entreprises qui conçoivent des outils d'analyse d'appels ou de réunion obtiennent l'attribution des locuteurs et le biais par mots-clés sans API propriétaire ; IBM conseille de les associer à Granite Guardian pour détecter les risques en production.
Les chiffres de performance proviennent des mesures d'IBM et le rang au classement reflète la situation du jour de la sortie, susceptible d'évoluer. Les résultats multilingues et de traduction ne sont que résumés dans l'annonce : mieux vaut consulter les fiches des modèles et faire ses propres essais.