A IBM tem um novo modelo de referência na sua gama aberta de voz. A 21 de outubro de 2026, a equipa Granite disponibilizou no Hugging Face o granite-speech-5.0-2b e versões revistas de dois modelos já utilizados pela comunidade, o granite-speech-5.0-470m-turboctc e o granite-speech-4.1-2b-plus. Os três têm licença Apache 2.0 e suporte nativo no Transformers, e a IBM apresenta-os como um conjunto para transcrição e tradução de precisão, transcrição muito rápida em dispositivos e gravações com vários oradores.
O modelo de 2B sucede ao granite-speech-4.1-2b na mesma classe de tamanho; a ficha técnica indica cerca de 2,3 mil milhões de parâmetros e uma base de linguagem granite-4.0-1b-base. Transcreve inglês, francês, alemão, espanhol, português e japonês, traduz entre o inglês e essas línguas e ainda do inglês para italiano e mandarim. Segundo a IBM, foi treinado com 390 mil horas de áudio público e dados sintéticos criados para japonês, enviesamento por palavras-chave e tradução.
Face ao antecessor, a IBM aponta mais precisão em inglês e maior resistência a ruído, eco e microfones distantes, instruções que indicam a língua de entrada, melhor tradução de discurso longo e coloquial, listas de até duas mil palavras-chave para favorecer nomes de produtos, pessoas e siglas, e pontuação e maiúsculas a pedido. A empresa refere uma taxa média de erro por palavra de 5,06% nos conjuntos públicos em inglês do Open ASR Leaderboard, o que colocaria o modelo em segundo lugar entre os sistemas abertos no dia do lançamento. Além do Transformers, há suporte para vLLM, llama.cpp e mlx-audio em Apple Silicon.
O Turbo CTC, codificador de 470 milhões de parâmetros que a IBM lançou em agosto apenas para inglês e focado na velocidade, passa a reconhecer sete línguas e a produzir pontuação e maiúsculas de origem. A IBM afirma que o treino com áudio reverberante o torna mais robusto em salas com eco e que, ao compilar um único bloco Conformer e reutilizar o seu grafo, a velocidade no leaderboard subiu para 19 870 RTFx, contra cerca de 12 600 no lançamento, com precisão semelhante. Esta família Turbo CTC já sustenta a componente de voz do Granite Switch 4.1, apresentado no início de outubro.
O terceiro modelo, granite-speech-4.1-2b-plus, mantém o nome porque a arquitetura, o formato das instruções e a API não mudam; apenas os pesos são novos, permitindo uma substituição direta. Destina-se a reuniões, chamadas de apoio e entrevistas. Nas tabelas da IBM, o erro de diarização por palavra desce de 4,40 para 4,10, o WER atribuído a oradores de 30,50 para 28,48, o WER em gravações longas de 13,53 para 10,22 e o desvio médio dos marcadores temporais de cerca de 211 para 99.
Para quem desenvolve, o atrativo está em modelos de voz com licença permissiva que correm nas plataformas abertas mais comuns, com tamanhos que vão do dispositivo ao servidor. Empresas que trabalham em análise de chamadas ou ferramentas de reuniões ganham atribuição de oradores e palavras-chave sem depender de uma API proprietária, e a IBM recomenda combiná-los com o Granite Guardian para deteção de riscos em produção.
Os valores de desempenho são medições da própria IBM e a posição no leaderboard é uma fotografia do dia do lançamento, que pode mudar com novas submissões. Os resultados multilingues e de tradução surgem resumidos no anúncio, pelo que convém consultar as fichas dos modelos e testar com áudio próprio.