IBM ha publicado tres actualizaciones de su colección de modelos de reconocimiento de voz, centradas en la precisión, la velocidad y la atribución de hablantes. El nuevo modelo, granite-speech-5.0-2b, sustituye a la versión anterior manteniendo la misma capacidad de parámetros, pero ofrece una transcripción más robusta ante el ruido y la reverberación, así como mejores resultados en traducción de larga duración. Este modelo soporta siete idiomas, incluyendo inglés, francés, alemán, español, portugués y japonés, y permite el sesgo de palabras clave mediante listas de hasta 2.000 términos.
La versión actualizada de granite-speech-5.0-470m-turboctc, diseñada para alto rendimiento en dispositivos, ahora incluye transcripción multilingüe y puntuación nativa. IBM ha optimizado el código para reducir el tiempo de calentamiento y ha mejorado la velocidad de procesamiento, alcanzando 19.870 RTFx, lo que representa un aumento del 1,6 veces respecto a su lanzamiento inicial, sin sacrificar la precisión.
Finalmente, la versión mejorada de granite-speech-4.1-2b-plus está optimizada para grabaciones con múltiples hablantes, como reuniones y llamadas de soporte. Las mejoras incluyen una reducción del 7% en la tasa de error de diarización de hablantes (WDER) y una disminución de más del 50% en el desplazamiento medio de marcas de tiempo (AAS), lo que facilita la sincronización precisa de transcripciones. Todos los modelos se distribuyen bajo licencia Apache 2.0 y están disponibles en Hugging Face.