چه چیزی معرفی شد
IBM در وبلاگ Hugging Face سه به‌روزرسانی برای مجموعه Granite Speech اعلام کرده است: مدل جدید granite-speech-5.0-2b و نسخه‌های بازبینی‌شده granite-speech-5.0-470m-turboctc و granite-speech-4.1-2b-plus. به گفته IBM، این مدل‌ها بخش‌های مختلف کار گفتاری سازمانی را پوشش می‌دهند: رونویسی و ترجمه دقیق، رونویسی بسیار سریع در لبه شبکه و ضبط‌هایی که تشخیص گوینده و زمان صحبت در آن‌ها مهم است.
هر سه مدل با مجوز Apache 2.0 منتشر شده‌اند و به گفته IBM پشتیبانی بومی Transformers را دارند. مدل 5.0 2B علاوه بر آن در vLLM، llama.cpp و mlx-audio برای Apple Silicon هم پشتیبانی می‌شود.
مدل 5.0 2B: دقت و کنترل بیشتر
granite-speech-5.0-2b جانشین 4.1 2B با همان تعداد پارامتر است. این مدل شش زبان انگلیسی، فرانسوی، آلمانی، اسپانیایی، پرتغالی و ژاپنی را رونویسی می‌کند و در همین زبان‌ها از و به انگلیسی ترجمه می‌کند؛ همچنین انگلیسی به ایتالیایی و ماندارین را پشتیبانی می‌کند. فارسی در فهرست زبان‌های ذکرشده نیست. IBM می‌گوید آموزش با ۳۹۰ هزار ساعت صوت عمومی و داده مصنوعی برای ژاپنی، سوگیری کلیدواژه و ترجمه انجام شده است.
قابلیت‌های تازه شامل مشخص‌کردن زبان ورودی در پرامپت، فهرست کلیدواژه تا ۲۰۰۰ واژه برای سوگیری رونویسی و ترجمه، ترجمه بهتر گفتار طولانی و محاوره‌ای و درخواست علائم نگارشی و حروف بزرگ است. IBM ادعا می‌کند این مدل با میانگین WER انگلیسی ۵٫۰۶٪ در Open ASR Leaderboard، در میان مدل‌های متن‌باز برتر رتبه دوم را دارد؛ این رتبه در تاریخ ۲۱ اکتبر ۲۰۲۶ و روی مجموعه‌های آزمون کوتاه انگلیسی همان جدول گزارش شده است.
Turbo CTC: چندزبانه و سریع‌تر
نسخه جدید granite-speech-5.0-470m-turboctc با ۴۷۰ میلیون پارامتر اکنون انگلیسی، ژاپنی، اسپانیایی، آلمانی، فرانسوی، ایتالیایی و پرتغالی را رونویسی می‌کند و خروجی با علائم نگارشی و حروف بزرگ تولید می‌کند. IBM می‌گوید آموزش هدفمند روی صوت پژواکی آن را در اتاق‌های پرانعکاس و ضبط‌های دور از میکروفون مقاوم‌تر کرده است.
طبق گزارش IBM، با کامپایل یک بلوک Conformer و بازاستفاده از گراف آن، سرعت در Open ASR Leaderboard به ۱۹٬۸۷۰ RTFx رسیده؛ پایه مقایسه همان مدل Turbo CTC در زمان عرضه نخست با حدود ۱۲٬۶۰۰ RTFx است، یعنی حدود ۱٫۶ برابر سریع‌تر با سطح دقت یکسان. این مقایسه بین دو نسخه از یک مدل است، نه مقایسه با مدل یا سخت‌افزار دیگر. IBM یک دموی WebGPU برای اجرای مرورگری هم معرفی کرده است.
4.1 2B Plus برای جلسات و تماس‌ها
granite-speech-4.1-2b-plus برای ضبط‌های چندگوینده مانند جلسه و تماس پشتیبانی تنظیم شده و چون معماری، قالب پرامپت و API تغییر نکرده، به گفته IBM جایگزین مستقیم نسخه فعلی است. بر اساس جدول IBM، AAS کل گفتار از ۲۱۰٫۸۶ به ۹۸٫۵۴ رسیده، WER گفتار طولانی از ۱۳٫۵۳ به ۱۰٫۲۲، WER کلیدواژه‌های سوگیری‌شده با فهرست ۲۰ واژه‌ای از ۱۱٫۷۹ به ۶٫۴۸، WDER از ۴٫۴۰ به ۴٫۱۰ و cpWER از ۳۰٫۵۰ به ۲۸٫۴۸ کاهش یافته است. همه این‌ها نرخ خطا هستند و پایه مقایسه نسخه قبلی همین مدل است.
محدودیت‌ها و نکات برای خواننده
اعداد دقت و سرعت در این منبع از سوی IBM گزارش شده‌اند؛ آزمون مستقل در این منبع ارائه نشده است. رتبه ۲ مربوط به میانگین WER انگلیسی کوتاه است و نباید به همه زبان‌ها یا گفتار طولانی تعمیم یابد. IBM برای استقرار تولیدی توصیه می‌کند این مدل‌ها با Granite Guardian برای تشخیص ریسک ترکیب شوند.
منبع درباره دسترسی در ایران یا یکپارچگی با نُخود چیزی نمی‌گوید. برای انتخاب مدل، IBM پیشنهاد می‌کند برای دقت و ترجمه از 5.0 2B، برای سرعت یا اجرای روی دستگاه از Turbo CTC و برای جلسات چندگوینده از 4.1 2B Plus استفاده شود.
پشت این نوشته
منابع و جزئیات
این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.
این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.
- Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Fasterhuggingface.coبررسی:
نخستین انتشار:
روش تهیه و بازبینی نوشته‌ها