Η IBM ανακοίνωσε τρεις σημαντικές ενημερώσεις στη συλλογή μοντέλων Granite Speech, εισάγοντας το νέο μοντέλο granite-speech-5.0-2b και αναθεωρημένες εκδόσεις των υπαρχόντων μοντέλων Turbo CTC και 4.1 2B Plus. Η νέα σειρά καλύπτει ένα ευρύ φάσμα επιχειρηματικών αναγκών, από τη μεταγραφή υψηλής ακρίβειας έως την ταχύτατη επεξεργασία στο «άκρο» (edge) του δικτύου.

Granite Speech 5.0 2B: Ακρίβεια και Έλεγχος

Το μοντέλο granite-speech-5.0-2b αποτελεί τον διάδοχο της έκδοσης 4.1, διατηρώντας τον ίδιο αριθμό παραμέτρων αλλά προσφέροντας βελτιωμένη στιβαρότητα. Υποστηρίζει μεταγραφή σε έξι γλώσσες (Αγγλικά, Γαλλικά, Γερμανικά, Ισπανικά, Πορτογαλικά και Ιαπωνικά) και μεταφράζει από και προς τα Αγγλικά, με επιπλέον υποστήριξη για Ιταλικά και Μανδαρινικά. Σύμφωνα με τα στοιχεία της IBM, το μοντέλο κατατάσσεται στη δεύτερη θέση μεταξύ των κορυφαίων open-weight μοντέλων ASR, με μέσο ποσοστό σφάλματος λέξεων (WER) 5,06% στα αγγλικά benchmarks.

  • Language ID Prompting: Δυνατότητα καθορισμού της γλώσσας εισόδου για ακριβέστερη πολυγλωσσική μεταγραφή.
  • Λίστες Λέξεων-Κλειδιών: Υποστήριξη έως και 2.000 όρων για τη βελτίωση της αναγνώρισης ειδικών ονομάτων και ακρωνυμίων.
  • Μορφοποίηση: Δυνατότητα αιτήματος για σημεία στίξης και κεφαλαιογράμματη γραφή απευθείας μέσω του prompt.

Turbo CTC και 4.1 2B Plus: Ταχύτητα και Συσκέψεις

Το αναβαθμισμένο Granite Speech 5.0 Turbo CTC εστιάζει στην ταχύτητα, επιτυγχάνοντας 19.870 RTFx, μια αύξηση 1,6x σε σχέση με την αρχική του κυκλοφορία. Είναι πλέον πολυγλωσσικό και πιο ανθεκτικό σε δύσκολες ακουστικές συνθήκες, όπως δωμάτια με αντήχηση.

Για περιβάλλοντα συσκέψεων και συνεντεύξεων, το Granite Speech 4.1 2B Plus προσφέρει βελτιωμένη ταυτοποίηση ομιλητών (speaker attribution). Το ποσοστό σφάλματος διαχωρισμού ομιλητών (WDER) μειώθηκε κατά 7%, ενώ η απόδοση σε μακροσκελείς ομιλίες βελτιώθηκε κατά 24% όσον αφορά το WER.

Όλα τα μοντέλα διατίθενται υπό την άδεια Apache 2.0, εξασφαλίζοντας ευρεία προσβασιμότητα για την κοινότητα των προγραμματιστών.