W skrócie
- IBM Granite wydał trzy modele mowy na licencji Apache 2.0: 2B, 470M i wersję do spotkań.
- Dane o skuteczności i szybkości pochodzą od IBM, nie z niezależnego testu.
Najkrócej: zespół IBM Granite opublikował na blogu Hugging Face trzy modele zamiany mowy na tekst. Wszystkie mają licencję Apache 2.0, więc można ich używać komercyjnie i uruchamiać u siebie.
Co się zmieniło
- granite-speech-5.0-2b (ok. 2 mld parametrów): transkrypcja po angielsku, francusku, niemiecku, hiszpańsku, portugalsku i japońsku, tłumaczenie do i z angielskiego oraz listy do 2000 słów kluczowych. IBM podaje średni WER 5,06 proc. i 2. miejsce wśród otwartych modeli w rankingu Open ASR Leaderboard na 21 października 2026.
- granite-speech-5.0-470m-turboctc (470 mln): nastawiony na szybkość i pracę na urządzeniu; IBM podaje wzrost przepustowości z ok. 12 600 do 19 870 RTFx, czyli ok. 1,6 raza.
- granite-speech-4.1-2b-plus: do spotkań z wieloma osobami; według IBM błąd na długich nagraniach spadł o 24 proc., a błędy na słowach kluczowych o 45 proc.
Jak wybrać
IBM radzi: dokładność, tłumaczenie i słowa kluczowe to wersja 2B; szybkość lub urządzenie lokalne to 470M; spotkania z wieloma rozmówcami to 4.1-2b-plus. Modele działają m.in. w Transformers, vLLM, llama.cpp, a na Macach w mlx-audio.
Jak to czytać
Wszystkie liczby to wyniki podane przez IBM, nie niezależna weryfikacja. Na liście języków nie ma polskiego, więc dla polskich nagrań sprawdź to sam, zanim zaufasz wynikowi. Więcej o dźwięku i obrazie w AI piszę w hubie o obrazie, wideo i głosie.