IBM 21 октября обновила семейство Granite Speech. Компактная модель TurboCTC на 470 млн параметров, прежде распознававшая только английскую речь, теперь поддерживает ещё французский, немецкий, испанский, португальский, итальянский и японский. Она также расставляет знаки препинания и заглавные буквы — отдельный этап обработки для этого больше не нужен.

В тестах IBM расширение языков не ухудшило среднюю точность английской расшифровки: показатель ошибок WER снизился с 5,78% до 5,51%. Он учитывает пропущенные, лишние и неверно распознанные слова. Это сравнение на наборах коротких записей, а не гарантия такой же точности на любом интервью или шумном звонке. Результат многоязычной версии компания пока помечает как неофициальный для Open ASR Leaderboard.

Одновременно IBM представила новую Granite Speech 5.0 2B для расшифровки и перевода речи. Ей можно передать список до 2000 имён, названий и специальных терминов, чтобы помочь правильно их распознать. Для длинных файлов разработчик рекомендует делить звук на отрезки примерно до двух минут. Веса этой модели опубликованы 20 октября; общий анонс семейства вышел на следующий день.

Для разговоров с несколькими участниками обновлена отдельная Granite Speech 4.1 2B Plus: она размечает говорящих и время произнесения слов. По данным IBM, WER на длинных записях снизился с 13,53% до 10,22%. Улучшение не универсально: на обновлённых наборах коротких английских записей средний WER, наоборот, вырос с 6,01% до 6,10%. Новая версия полезнее для одних задач, но не стала точнее во всех проверках.

Все три модели доступны с открытыми весами по лицензии Apache 2.0, допускающей коммерческое использование. Их можно встроить в собственный сервис расшифровки и обрабатывать записи на своей инфраструктуре, без обязательной отправки в API поставщика. Для TurboCTC и новой 2B опубликованы инструкции запуска на Apple Silicon. Русского языка в заявленных списках поддержки нет.