IBM 开源 Granite Speech 5.0：2B 参数、39 万小时音频，英语识别错误率 5.06%

语音识别正在经历一次静悄悄的分化：云端追求极致准确率，端侧追求够用且便宜。IBM 这次同时更新了三条产品线，把两端都覆盖了。

一分钟速览

• 发布 granite-speech-5.0-2b，是 4.1-2b 的同参数继任者，支持英语、法语、德语、西班牙语、葡萄牙语、日语识别。
• 可在上述语言与英语之间互译，另支持英语译意大利语和普通话。
• 训练数据为 39 万小时公开音频，另加针对日语识别、关键词偏置和翻译构建的合成数据。
• 采用 Apache 2.0 许可，支持 Transformers、vLLM、llama.cpp 与 Apple Silicon 上的 mlx-audio。
• 在开放权重语音识别模型的英语平均词错误率排名中位列第二，为 5.06%。

三条产品线各管一段

这次更新不止一个模型。除了 2B 主模型，还修订了 granite-speech-5.0-470m-turboctc 与 granite-speech-4.1-2b-plus。三者的分工相当明确：2B 模型负责高准确率的转录与翻译；470M 的 Turbo CTC 版本主打边缘端的极速转录，此次增加了多语言支持；4.1 2B Plus 则强化了”谁在什么时候说了什么”，也就是说话人分离与时间对齐。

这个组合对应的正是企业语音处理的三种真实需求：会议记录要准，客服质检要快，访谈与合规录音要能分清说话人。把这些能力拆成不同尺寸的模型，比做一个全能大模型更符合部署现实——边缘设备放不下 2B，云端也不需要为每段音频都付 2B 的算力。

39 万小时与合成数据的取舍

训练数据规模是这次披露的关键数字：39 万小时公开音频。按行业经验，这个量级足以覆盖主流口音与场景，但对小语种和专有名词仍然不够。IBM 的解法是针对日语识别、关键词偏置和翻译构建合成数据。

合成数据解决的是长尾覆盖问题，代价是分布偏移。用合成语音训练的模型，在真实录音的噪声、口音、重叠说话上往往表现下降。因此榜单成绩只能作为参考，实际部署前必须用自有数据做验证——尤其是电话录音、车载麦克风、会议室远场这三类差异极大的声学环境。

开放权重语音模型的竞争格局

英语平均词错误率 5.06%，在开放权重模型里排第二。这个位置的战术意义大于战略意义：它证明 2B 级别的模型可以逼近更大模型的准确率，同时保持可本地部署的体积。

真正的差异化在工程侧。同时支持 Transformers、vLLM、llama.cpp 和 mlx-audio，意味着从服务器到 Mac 本地都能跑；Apache 2.0 允许商用与修改，对企业内网部署友好。对需要处理敏感录音的行业——医疗、金融、法务——”数据不出内网”往往比榜首成绩更重要。

落地时的三个提醒

第一，关键词偏置要用起来。企业场景里大量专有名词、产品型号、人名，通用模型必然出错，而偏置列表是成本最低的修正手段。第二，说话人分离别指望一个模型全包，长会议、多人重叠的场景仍需专门的处理链路。第三，翻译能力适合做粗加工，不适合直接对外发布——语音翻译在数字、专有名词和语气上的误差，人工校对仍然必要。

语音交互的门槛正在从”能不能识别”变成”能不能便宜地、合规地、稳定地识别”。这次更新把价格和部署选项往前推了一格，剩下的差距要靠场景数据来填。