IBM 開源 Granite Speech 5.0：吵雜環境也能精準逐字稿，還會邊聽邊翻譯
Granite Speech 5.0 2B 支援六種語言逐字稿、單字錯誤率 5.06%；輕量版 Turbo CTC 支援七種語言、速度提升 1.6 倍，全部採 Apache 2.0 開源。
IBM 在 10 月 21 日更新了開源語音 AI 家族 Granite Speech，一次端出三款模型：主打高精度的 5.0 2B、主打速度的輕量版 470M Turbo CTC，以及強化多人對話識別的 4.1 2B Plus。三款全部採用 Apache 2.0 授權，商用、改作都不受限，訓練資料、評測結果與使用方式也一併公開。
5.0 2B：六種語言逐字稿，吵雜環境更穩
新版 5.0 2B 維持 20 億參數量，一次支援日、英、法、德、西、葡六種語言的語音轉文字。IBM 用了 39 萬小時的公開語音資料訓練它，特別強化了對噪音與回音的抵抗力——混著雜音的錄音、離麥克風較遠的收音，辨識準確度都比前代提升。IBM 公布的英文語音辨識測試中，單字錯誤率平均 5.06%，在受評的公開模型裡排第二。
針對語音 AI 最常栽跟頭的人名、商品名與縮寫，新版允許預先登錄最多 2,000 組關鍵字。開會前先把專有名詞餵給模型，術語密集的會議也能產出像樣的逐字稿。
邊聽邊翻：長對話翻譯品質提升
翻譯功能這次也大幅強化：模型可以在轉寫的同時直接翻譯，例如英文與日文之間的即時口譯式逐字稿。比起前代，長時間錄音與自然口語對話的翻譯品質都有進步，還新增了「指定輸入語言」選項，讓模型先知道要聽哪種語言，進一步拉高辨識準確度。
輕量版 Turbo CTC：七種語言、快 1.6 倍
講求速度的場景也有新選擇。輕量模型 470M Turbo CTC 從原本只懂英文，一口氣擴充到包含日文在內的七種語言，還會自動補上標點符號與英文大小寫，處理速度比前代快約 1.6 倍，定位就是裝置端即時字幕這類「快比準重要」的應用。
至於多人會議記錄，改良版的 4.1 2B Plus 專攻「誰說了哪句話」的說話者識別：辨識錯誤率降低約 7%，長時間錄音的逐字稿錯誤率更一口氣減少 24%，發言時間戳的精準度也提升，字幕製作與錄音內容檢索都更順手。
IBM 給開發者的選型建議很直白：要精度與翻譯選 5.0 2B，要速度選 Turbo CTC，要記錄多人對話選 4.1 2B Plus。對企業來說，最大的誘因或許不在規格表上——語音一旦能低成本轉成文字，原本鎖在錄音檔裡的客服對話、銷售拜訪紀錄，就能變成可以統計、可以追蹤的數據；把第一線的聲音變成經營數字，正是看店勢這類銷售數據分析想解決的事。
資料來源
- GIGAZINE, 「IBMが音声AI『Granite Speech 5.0』をオープンソースで公開」, 2026-10-22
- AI Parabellum, “IBM Granite Speech 5.0 Adds Faster Open Speech Models”, 2026-10-21