IBM lança Granite Speech 5.0 com modelo 2B aberto e suporte a português
A atualização traz modelos sob licença Apache 2.0 com suporte a até 2.000 termos técnicos em listas de vocabulário e inferência local acelerada.
Por que importa. Para times no Brasil, os novos modelos abertos eliminam custos de APIs proprietárias em transcrições com termos corporativos e permitem rodar áudio com pontuação nativa diretamente no navegador ou no servidor.
A IBM lançou a coleção de modelos Granite Speech 5.0 sob licença Apache 2.0, apresentando o novo granite-speech-5.0-2b e versões atualizadas de dois modelos anteriores: o granite-speech-5.0-470m-turboctc e o granite-speech-4.1-2b-plus. O pacote adiciona transcrição em português em toda a linha, suporte a listas de até 2.000 palavras para enviesamento de termos técnicos e melhorias na execução local em servidores ou dispositivos finais.
Com 2 bilhões de parâmetros, o granite-speech-5.0-2b sucede o modelo 4.1 de mesmo porte e foi treinado com 390.000 horas de áudio público combinadas a dados sintéticos. O modelo transcreve inglês, francês, alemão, espanhol, português e japonês, além de traduzir entre esses idiomas e o inglês, com suporte adicional para saídas em italiano e mandarim. Nos testes públicos em inglês do Open ASR Leaderboard compilados até 15 de outubro de 2026, o modelo registrou taxa média de erro de palavras (WER) de 5,06%, ficando na segunda posição entre arquiteturas abertas.
Aceleração no Turbo CTC e execução local
O granite-speech-5.0-470m-turboctc manteve a estrutura de 470 milhões de parâmetros da edição de agosto, mas deixou de ser restrito ao idioma inglês. A atualização incorporou suporte a português, espanhol, alemão, francês, italiano e japonês, além de gerar transcrições com pontuação e letras maiúsculas nativas, o que remove a necessidade de etapas posteriores de formatação de texto.
Para acelerar o processamento, a equipe da IBM compilou um único bloco Conformer e reutilizou seu grafo de computação em toda a rede. Essa mudança reduziu o tempo de aquecimento e elevou a taxa de processamento para 19.870 RTFx no Open ASR Leaderboard, avanço de 1,6 vez frente aos 12.600 RTFx da primeira versão com o mesmo nível de precisão. O modelo também ganhou uma demonstração baseada em WebGPU para transcrição contínua direto no navegador.
Atribuição de locutor em reuniões
Voltado a gravações longas com várias pessoas, o granite-speech-4.1-2b-plus recebeu novos pesos mantendo arquitetura, formato de prompt e interface inalterados, funcionando como atualização direta sem quebra de código. O foco do ajuste foi refinar a identificação de quem fala em reuniões e chamadas de suporte técnico.
Nos benchmarks da empresa, o deslocamento médio de carimbos de data e hora (AAS) caiu de 210,86 para 98,54 no total de gravações, um corte superior à metade da margem de erro anterior. A taxa de erro de diarização por palavra (WDER) recuou de 4,40% para 4,10%, enquanto a taxa de erro em áudios longos caiu 24%, de 13,53% para 10,22%. O uso de listas com 20 palavras-chave técnicas reduziu as falhas nesses termos específicos em 45%, com erro passando de 11,79% para 6,48%.
Suporte a bibliotecas e limites do anúncio
Os três modelos foram publicados com suporte nativo na biblioteca Transformers, além de compatibilidade com vLLM, llama.cpp e a biblioteca mlx-audio para chips Apple Silicon no modelo de 2 bilhões de parâmetros. Para pipelines corporativos que exigem moderação e governança de dados, a recomendação da IBM é combinar os modelos com a suíte de segurança Granite Guardian.
A documentação divulgada não detalhou os números de precisão isolados para o português, limitando os comparativos quantitativos aos benchmarks padronizados em inglês do Open ASR Leaderboard. A companhia também não forneceu prazos ou detalhes sobre recursos de conversação por voz ponta a ponta sem conversão intermediária para texto.
Fontes
- Hugging Face: Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster
Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.
