Présentation
IBM a publié trois modèles dans la collection Granite Speech : granite-speech-5.0-2b, granite-speech-5.0-470m-turboctc et granite-speech-4.1-2b-plus. Le modèle 5.0‑2b conserve le même nombre de paramètres que le 4.1‑2b (2 milliards) tout en élargissant la couverture linguistique : anglais, français, allemand, espagnol, portugais, japonais, italien et mandarin. Son entraînement s’appuie sur 390 000 heures d’audio public, complétées par des données synthétiques dédiées au japonais, au biais de mots‑clés et à la traduction.
Améliorations techniques
Le 5.0‑2b introduit le language ID prompting, qui permet de spécifier la langue d’entrée dans le prompt afin d’orienter la transcription multilingue. La prise en charge de listes de mots‑clés a été portée à 2 000 termes, ce qui renforce le biais vers des noms de produits ou des acronymes dans toutes les langues supportées. La ponctuation et la capitalisation sont générées sur demande ; le score F1 de capitalisation varie de 89,7 % à 99,5 % selon les jeux de test. Le modèle est distribué sous licence Apache 2.0 et intégré nativement aux bibliothèques Transformers, vLLM, llama.cpp et mlx‑audio pour Apple Silicon.
Le modèle turboctc, limité à 470 M de paramètres, a conservé son empreinte tout en ajoutant la transcription multilingue (anglais, japonais, espagnol, allemand, français, italien, portugais), la ponctuation native et une robustesse accrue aux environnements réverbérants. L’optimisation repose sur la compilation d’un unique bloc Conformer réutilisé dans le graphe, ce qui réduit le temps de warm‑up et porte le facteur de rapidité (RTFx) à 19 870, contre environ 12 600 à son lancement, soit une augmentation d’environ 1,6 ×.
Évaluation des performances
Sur le leaderboard Open ASR, le granite‑speech‑5.0‑2b obtient un taux d’erreur de mots moyen (WER) de 5,06 % en anglais, le classant deuxième parmi les modèles open‑weight. Le turboctc conserve le même niveau de précision tout en atteignant le RTFx indiqué ci‑dessus, ce qui le rend adapté aux scénarios en temps réel. Le modèle 4.1‑2b‑plus, destiné aux enregistrements d’entreprise, améliore le taux d’erreur de diarisation de parole (WDER) de 7 % et le WER attribué au locuteur (cpWER) de 7 % également. Le décalage moyen des horodatages (AAS) est réduit de plus de 50 %, ce qui resserre la synchronisation des sous‑titres. Sur les jeux de test long‑form, le WER chute de 24 %, et le biais de mots‑clés diminue de 45 % avec des listes de 20 termes.
Cas d’usage et déploiement
Les trois modèles sont proposés sous licence Apache 2.0, ce qui facilite leur intégration dans des pipelines propriétaires. Leur compatibilité avec Transformers permet une utilisation directe via l’API Hugging Face. IBM recommande d’associer les modèles à Granite Guardian pour la détection de risques en production. Le turboctc, grâce à son facteur de rapidité élevé, convient aux applications navigateur via le démonstrateur WebGPU en streaming, tandis que le 5.0‑2b cible les besoins de transcription précise, de traduction et de biais de mots‑clés. Le 4.1‑2b‑plus se révèle pertinent pour les réunions, les appels de support et les interviews multi‑locuteurs, où la précision de l’attribution et la granularité des horodatages sont essentielles.
