10 月 22 日，IBM 发布开源语音语言模型 Granite Speech 5.0 2B，用于语音转写与翻译。模型为 20 亿参数稠密结构，Apache 2.0 许可，支持 6 种语言的 ASR 与语音翻译，可在 GPU、苹果芯片以及本地 CPU 上运行，官方推荐用 Q8_0 量化。
开源语音识别第二名
按 10 月 21 日的 Open ASR Leaderboard 数据，模型在 9 个公开与 2 个私有测试集上的平均英文词错误率为 5.68%，位列开源权重模型第二，仅次于 Qwen3-ASR-1.7B 的 5.40%。分项成绩差异较大，LibriSpeech Clean 上为 0.99%，Other 为 2.21%，私有口语集上则到 13.79%。在噪声场景的 FFASR 榜单上排 42 个模型中的第 4，平均错误率 14.80%。多语种方面，CommonVoice 葡萄牙语错误率 2.60%、西班牙语 3.50%，日语最弱为 10.74%。
2000 词条热词偏置
相比 4.1 代，新版本加入语言 ID 提示、最多 2000 个词条的热词列表，并可按需输出标点与大小写。在 Earnings-22 基准上，正确热词列表把关键词 F1 从 67.2 拉到 90.1，混入 2000 个含错误项的列表时仍有 82.8。训练用了 39 万小时公开音频加合成数据，在 8 张 H100 上训了 40 天。
同批更新的还有 Granite Speech 5.0 Turbo CTC，吞吐从约 12600 RTFx 提升到 19870 RTFx，语种扩到 7 种，4.1 2B Plus 的长音频错误率从 13.53% 降到 10.22%。
翻译方向上，X 译英的 CoVoST BLEU 葡萄牙语 53.6、德语 40.1，官方没有给出英译中的成绩。模型的骨干是一个 granite-4.0-1b-base 的中间检查点，经 YaRN 扩展到 16k 位置后用 LoRA 适配器微调，语音前端是 16 个 Conformer 块按 4 秒音频分块做块注意力，再由 2 层窗口 q-former 下采样 10 倍，LLM 侧看到的是 10 Hz 的嵌入。
语音模型的迭代节奏，Mistral Voxtral 3 的端到端语音智能体是另一条对照线。
延伸阅读
- IBM与西门子联手推进7埃米3D晶体管：密度翻番、功耗降七成，AI芯片的下一个十年1 周前
- 讯飞发布 Spark-ASR-2.0：9 月 24 日起上线输入法，同步开放 API4 周前
- IBM与西门子联手推进纳米堆叠3D晶体管：密度翻番、功耗降80%1 周前
- B站Index-Translate开源，2B/9B/35B三规格覆盖150种语言2 周前
继续读
同一批更新里这几篇值得一看：
- Gradium 开源 Phonon：3100 万参数 64.5MB 端侧 TTS2026-10-23
- 科大讯飞发语音基座 SparkAudio 1.0：准确率超 96%2026-10-23
- 英伟达 Nemotron 3.5 Super VL：1200 亿参数，单卡吞吐提升 5 倍2026-10-16