IBM 更新了 Granite Speech 系列：新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。三款模型分别对应企业语音工作的三条线：高精度多语种转写与翻译、边缘/设备端极速转写，以及需要分辨“谁在何时说了什么”的多说话人录音。

granite-speech-5.0-2b 是上一代 granite-speech-4.1-2b 的同参数规模后继者。支持英语、法语、德语、西班牙语、葡萄牙语、日语，以及这些语言与英语的双向翻译，另有英语到意大利语和英语到普通话的翻译方向。训练数据为 390,000 小时公共音频，外加针对日语 ASR、关键词偏置和翻译构造的合成数据。相比 4.1 2B，它的改进包括：英语短语音基准准确率更高，对噪声、混响、远场麦克风更稳；新增语言 ID 提示，在 prompt 中直接指定输入语言以引导多语种转写；长对话翻译比短句朗读更稳；关键词列表最多支持 2,000 个词条，可把产品名、人名、缩写偏置到转写结果中；还可在 prompt 中要求输出标点与大小写，多个测试集上的大小写 F1 在 89.7 到 99.5 之间。在 Open ASR Leaderboard 的公开英语短语音测试集上，其平均 WER 为 5.06%，在开放权重 ASR 模型中排名第二。模型以 Apache 2.0 发布，原生支持 Transformers、vLLM、llama.cpp，以及面向 Apple Silicon 的 mlx-audio。

granite-speech-5.0-470m-turboctc 原本是 470M 参数、只支持英语的编码器，主打速度。这次保持参数规模，加入了多语种转写（英语、日语、西班牙语、德语、法语、意大利语、葡萄牙语）、原生标点与大小写，并在训练中显式针对混响音频，使回声较强的房间和远场录音表现更稳。速度方面，通过编译单个 Conformer 块并在整个计算图中复用其图结构，warmup 时间被压缩，Open ASR Leaderboard 上的 RTFx 从发布时的大约 12,600 提升到 19,870，约 1.6 倍，同时准确率水平保持不变。

granite-speech-4.1-2b-plus 面向会议、支持电话和访谈这类多说话人长录音。架构、prompt 格式和 API 均未变化，因此是当前模型的直接替换，只是权重更好。四个改进点都有数字：说话人归属更准确，词语级日记错误率 WDER 下降 7%（从 4.40 降至 4.10），说话人归属词错率 cpWER 下降 7%（从 30.50 降至 28.48）；时间戳平均偏移 AAS 从 210.86 降至 98.54，减少一半以上，短语音的 AAS 从 29.27 降至 26.20；长语音测试集 WER 下降 24%（从 13.53 降至 10.22）；20 词关键词列表的偏置词错误下降 45%（从 11.79 降至 6.48）。所有指标都是越低越好。

如果主要需求是高准确度转写、翻译或关键词偏置，用 granite-speech-5.0-2b；如果需要极速或设备端转写，用 Turbo CTC，官方提供了 WebGPU 流式 demo 可在浏览器里体验；如果处理多说话人会议或通话，用 4.1-2b-plus。三款模型均用 Apache 2.0 协议发布，原生支持 Transformers。完整评估结果、架构细节、训练数据和示例见各模型卡片。生产环境若需额外风险检测，官方建议搭配 Granite Guardian。