IBM ha puesto en el mercado su nuevo modelo de reconocimiento de voz, Granite Speech 5.0 2B, que promete llevar la transcripción y traducción multilingüe al siguiente nivel.
Un salto de 2B parámetros y 16k posiciones
Con 2 000 000 000 de parámetros y una extensión YaRN que permite 16 000 posiciones, Granite Speech 5.0 2B supera a su predecesor 4.1 en precisión y capacidad de manejo de audio largo. El modelo combina un encoder de 16 bloques Conformer con CTC y un LLM de 2 B capas, lo que le permite procesar hasta 2 minutos de audio en una sola pasada.
Comparativa con la comunidad de ASR de código abierto
En el Open ASR Leaderboard, Granite Speech 5.0 ocupa el segundo lugar con un WER promedio de 5,68 %. Solo Qwen3‑ASR‑1.7B lo supera con 5,40 %. En entornos ruidosos, el modelo alcanza el cuarto puesto con 14,80 % WER, quedando detrás de Qwen3‑ASR‑1.7B (13,41 %). A nivel de idiomas, el rendimiento varía: portugués 2,60 % y español 3,50 %, mientras que el japonés sigue siendo el más desafiante con 10,74 %.
Flujos de trabajo y casos de uso
Para desarrolladores, la instalación es sencilla: basta con instalar la librería transformers o vLLM y pasar el audio. Si se prefiere un entorno sin GPU, llama.cpp con formato GGUF Q8_0 ofrece un rendimiento aceptable para audios de hasta 1 minuto. En dispositivos Apple, mlx‑audio permite la inferencia en tiempo real.
- Transcripción en tiempo real: Turbo CTC, con 470 M parámetros, alcanza 19 870 RTFx y soporta 7 idiomas con puntuación y mayúsculas nativas.
- Bias por palabras clave: Hasta 2 000 términos pueden incluirse en la lista, elevando el F1 de palabras clave de 67,2 % a 90,1 % en el conjunto Earnings‑22.
- Atención a hablantes: El modelo entrega transcripciones con identificación de oradores, útil para reuniones y podcasts.
Limitaciones y consideraciones
La precisión cae significativamente en el conjunto privado conversacional (13,79 % WER), lo que indica que el modelo necesita más datos de diálogo real. Además, las versiones cuantizadas de menor bit pierden calidad cuando el audio supera 1 minuto. Por último, el entrenamiento requirió 40 días en 8 GPUs H100, lo que demuestra el coste computacional de modelos de este calibre.
En conclusión, Granite Speech 5.0 2B se posiciona como una opción robusta y flexible para quienes buscan un modelo de ASR multilingüe de código abierto, con un equilibrio entre precisión, velocidad y facilidad de despliegue.
Recursos oficiales de Granite Speech: Repositorio oficial en GitHub | Modelo Granite Speech 5.0 2B en Hugging Face