IBM atualiza família Granite Speech com transcrição, tradução e identificação de falante em código aberto

A IBM lançou a versão 5.0 do Granite Speech e atualizou dois modelos irmãos, cobrindo desde transcrição rápida até identificação de quem fala em gravações com várias pessoas, tudo sob licença Apache 2.0.

A IBM lançou a versão 5.0 do Granite Speech e atualizou dois modelos irmãos, cobrindo desde transcrição rápida até identificação de quem fala em gravações com várias pessoas, tudo sob licença Apache 2.0.

A IBM publicou em 21 de outubro de 2026, no blog da Hugging Face, a atualização da sua família de modelos de fala: o novo granite-speech-5.0-2b e as versões revisadas de granite-speech-5.0-470m-turboctc e granite-speech-4.1-2b-plus. O post, assinado por pesquisadores da IBM Research como George Saon e Brian Kingsbury, descreve três modelos para três problemas diferentes: transcrição e tradução de alta precisão, transcrição ultrarrápida para rodar em dispositivo, e gravações com múltiplos falantes em que saber quem disse o quê importa tanto quanto o conteúdo.

Para quem desenvolve no Brasil, o ponto central não é só a precisão: é que os três modelos saem sob licença Apache 2.0, com suporte nativo em Transformers, e o granite-speech-5.0-2b especificamente também roda em vLLM, llama.cpp e mlx-audio para Apple Silicon. Isso significa rodar transcrição e tradução de fala inteiramente on-premise ou no próprio laptop, sem mandar áudio para uma API de terceiros e sem pagar por token de voz processado.

Três modelos, três casos de uso

A IBM organizou a família por cenário de uso, não por tamanho. A tabela abaixo resume o que cada modelo resolve, segundo o próprio post:

A recomendação da própria IBM é direta: se a prioridade é acurácia, tradução ou viés de palavras-chave, use o 5.0-2b; se o que importa é velocidade ou rodar embarcado, use o Turbo CTC; se o áudio tem várias vozes e timestamp importa, use o 4.1-2b-plus.

Granite Speech 5.0 2B: mais preciso, mais multilíngue

O granite-speech-5.0-2b é o sucessor direto do granite-speech-4.1-2b, mantendo os mesmos 2 bilhões de parâmetros. Ele transcreve inglês, francês, alemão, espanhol, português e japonês, e traduz entre inglês e esses idiomas, além de inglês para italiano e mandarim. Foi treinado em 390 mil horas de áudio público mais dados sintéticos criados especificamente para ASR em japonês, viés de palavras-chave e tradução.

Vale notar que o recorte de idiomas nativos ainda é modesto perto de alternativas mais amplas do mercado: aqui o ganho não é cobertura ampla, é profundidade em um conjunto menor e mais robusto para cenários corporativos ocidentais, com português incluído desde o início.

Entre as novidades sobre a versão 4.1, o post destaca:

• Language ID prompting: dá pra informar o idioma de entrada diretamente no prompt para guiar a transcrição multilíngue.
• Tradução de fala longa e conversacional mais estável, não só em frases curtas e lidas.
• Listas de palavras-chave com até 2.000 termos, úteis para enviesar a transcrição a favor de nomes de produto, pessoas e siglas em qualquer idioma suportado.
• Pontuação e capitalização sob demanda, com F1 de capitalização entre 89,7 e 99,5 nos conjuntos de teste da IBM.

No Open ASR Leaderboard, a IBM reporta que o granite-speech-5.0-2b ficou em segundo lugar entre modelos de peso aberto em WER médio em inglês (taxa de erro de palavra, quanto menor melhor), com 5,06%, em medição não oficial feita em 15 de outubro de 2026 sobre os conjuntos de teste públicos de fala curta em inglês do leaderboard.

Turbo CTC: da velocidade em agosto à multilinguagem em outubro

O Turbo CTC foi apresentado em agosto como um encoder de 470 milhões de parâmetros só em inglês, construído para velocidade. A revisão de outubro mantém o tamanho e resolve três pedidos recorrentes da comunidade: suporte a inglês, japonês, espanhol, alemão, francês, italiano e português; pontuação e capitalização nativas, sem etapa separada de truecasing; e mais robustez em acústica difícil, com treino voltado especificamente para áudio reverberante e gravações de microfone distante.

O modelo também ficou mais rápido. Compilando um único bloco Conformer e reaproveitando seu grafo ao longo da pilha, a IBM reduziu o tempo de warmup e levou o Turbo CTC a 19.870 RTFx no Open ASR Leaderboard, ante cerca de 12.600 RTFx no lançamento de agosto: um ganho de aproximadamente 1,6x na mesma faixa de acurácia. RTFx mede quantas vezes mais rápido que o tempo real o modelo processa áudio; quanto maior, melhor para transcrição em lote ou em tempo real com folga de recursos.

A IBM disponibiliza uma demo de streaming via WebGPU para testar o Turbo CTC direto no navegador, sem instalar nada localmente.

4.1 2B Plus: identificar quem fala, e quando

O granite-speech-4.1-2b-plus manteve o nome 4.1 porque arquitetura, formato de prompt e API continuam os mesmos: é uma troca de pesos, não uma migração de código, o que facilita atualizar quem já usa o modelo em produção. As melhorias miram diretamente o tipo de áudio que empresas de fato têm: reuniões, ligações de suporte e entrevistas longas com vários participantes.

A tabela de métricas publicada pela IBM mostra o tamanho do ganho:

Todas as métricas da tabela são taxas de erro, então quanto menor, melhor. O destaque é o AAS em fala longa, que caiu mais da metade: na prática, isso significa timestamps mais confiáveis para legendas, busca dentro de gravação e revisão de chamadas, um ponto sensível em qualquer pipeline de compliance ou atendimento que precise localizar o trecho exato de uma conversa.

O que muda pra quem desenvolve aqui

Os três modelos ficam disponíveis no Hugging Face Hub sob a organização ibm-granite, com cartões de modelo detalhando arquitetura, dados de treino e exemplos de uso. A IBM recomenda combinar qualquer um deles com o Granite Guardian em deploys de produção que precisem de detecção adicional de risco, algo a considerar antes de expor transcrição automática a dados sensíveis de cliente.

Para um time que hoje depende de uma API de transcrição paga, a proposta é clara: compatibilidade com Transformers reduz o atrito de integração, e a opção por llama.cpp ou mlx-audio no granite-speech-5.0-2b abre caminho para rodar transcrição em notebook com Apple Silicon sem GPU dedicada. Já o granite-speech-5.0-2b, por ter 2 bilhões de parâmetros, pede mais memória e, provavelmente, uma GPU para rodar em latência aceitável em produção.

Vale a pena considerar os três modelos quando o caso de uso cai dentro dos sete idiomas suportados e a prioridade é não depender de serviço externo de voz. Não vale a pena trocar uma solução já madura se o projeto precisa de idiomas fora dessa lista, como línguas asiáticas além do japonês ou idiomas africanos, caso em que modelos com cobertura mais ampla, ainda que proprietários, seguem sendo a opção mais direta.

Fonte: Hugging Face Blog