核心变化一览
IBM Granite团队于上海时间10月21日通过Hugging Face官方博客发布Granite Speech 5.0系列，包括全新语音语言模型granite-speech-5.0-2b，以及两款改进权重granite-speech-5.0-470m-turboctc与granite-speech-4.1-2b-plus。三款模型均以Apache 2.0开放权重，支持Transformers、vLLM、llama.cpp与苹果芯片mlx-audio部署。本次属于新模型发布与版本权重更新同时生效，已可在Hugging Face获取和使用。
新2B模型接替上代granite-speech-4.1-2b，保持约20亿参数规模，面向高精度多语种转写与翻译；470M Turbo CTC由8月发布的英语专用版升级为多语种高速版；4.1-2B Plus保持架构、提示格式与接口不变，仅替换改进权重，可直接替换使用。对中国用户的直接价值在于支持英语至普通话语音翻译、2000词中文产品名与人名关键词偏置，以及可在本地部署的转写方案。
关键能力与访问条件
granite-speech-5.0-2b支持英语、法语、德语、西班牙语、葡萄牙语、日语转写，并支持上述语种与英语双向语音翻译，以及英语至意大利语和英语至普通话翻译。训练使用39万小时公开音频加针对日语识别、关键词偏置与翻译合成的数据。新能力包括按提示指定输入语言的语言ID提示、2000词关键词列表偏置、按提示输出标点与大小写，以及更稳健的长语音与对话翻译。官方称英语短语音准确率提升，抗噪声、混响与远场拾音能力增强，大小写F1在各测试集为89.7至99.5。470M Turbo CTC新增英日西德法意葡7语种转写，原生输出标点与大小写，官方称在Open ASR榜单上达19870 RTFx，较发布时的约12600提升约1.6倍，精度持平，适合边缘与高吞吐场景。
granite-speech-4.1-2b-plus面向会议、客服电话与访谈等多说话人长录音，改进说话人归属、时间戳、长语音与关键词偏置。官方给出对比：词级说话人错误率下降7%，说话人归属词错率整体下降7%；全部语音平均时间戳偏移由210.86降至98.54，缩减过半；长语音词错率由13.53降至10.22，下降24%；20词关键词列表下偏置词错率由11.79降至6.48，下降45%。官方建议生产部署搭配Granite Guardian做额外风险检测。
与上代的实质差异与评测条件
与4.1-2B相比，5.0-2B为同参数规模换代，差异在于多语种控制更细、长语音翻译更自然、关键词偏置容量扩大至2000词，以及明确支持标点格式控制，而非仅为精度微调。官方引用的排名为非官方统计：截至2026年10月15日，在Open ASR Leaderboard公开英语短语音测试集平均上，5.0-2B以5.06%平均词错率位列开源权重第二，越低越好。该结论限公开短语音测试集，未覆盖中文转写与真实会议噪声全场景。Turbo CTC的速度对比限同一榜单英语短语音与相同精度水平。4.1-2B Plus的各项下降幅度均为官方在受控集上的误差率对比，需在自身会议录音上复测。公司自述的领先表述尚未经独立第三方复现，不应视为普遍事实。
中国用户需注意，当前转写语种不含中文语音输入，中文能力体现为英语至普通话翻译与多语种关键词偏置；日语、欧洲语种转写对出海会议与多语客服更有用。本地部署需准备Transformers或vLLM等环境，长录音建议按约2分钟分段或配合语音端点检测切分。不涉及价格与配额变化，商用需遵守Apache 2.0条款并自行评估数据合规。