语音识别模型处理的是麦克风采集的语音（示意照片，与 IBM 无直接关联）。摄影：Panos Sakalakis；来源：Wikimedia Commons；许可：CC BY 2.0。
2026 年 10 月 21 日，IBM 在 Hugging Face 博客发布 Granite Speech 语音模型更新：新增 granite-speech-5.0-2b，同时更新 Turbo CTC 与 4.1 2B Plus 两款已有模型，三者均采用 Apache 2.0 许可。5.0 2B 在 Open ASR 榜单英文短音频测试中的平均词错率为 5.06%，按榜单数据排第 8、开源权重模型第 2，但这一排名混用了不同数量的测试集。
发布内容与三款模型分工
这次发布由 IBM Granite 语音团队完成，博客署名包括 George Saon、Brian Kingsbury 等研究人员。博客按用途给三款模型分工：5.0 2B 面向高准确率的多语种转写和翻译，Turbo CTC 面向高吞吐和端侧设备上的转写，4.1 2B Plus 面向会议、电话等多人录音。日期上有一处出入：博客发布日期为 10 月 21 日，5.0 2B 模型卡写的是 10 月 20 日；榜单 PR 的讨论记录显示，该模型在 10 月 17 日仍未公开。以哪一天作为正式公开日期，待核对。
| 模型 | 本次状态 | 参数规模 | 支持语言 | 主要任务 |
|---|---|---|---|---|
| granite-speech-5.0-2b | 新发布（模型卡日期 2026-10-20） | 名为 2B，榜单数据记为 2.31B | 转写：英、法、德、西、葡、日；翻译：上述语言与英语互译，另有英译意、英译中 | 语音识别、语音翻译、关键词偏置（最多 2000 词）、按提示输出标点和大小写 |
| granite-speech-5.0-470m-turboctc | 多语种更新（2026-10-21；英文版首发 2026-08-25） | 4.7 亿 | 英、法、德、西、葡、意、日 | 仅语音识别，直接输出标点和大小写 |
| granite-speech-4.1-2b-plus | 权重更新（首发 2026-04-28，更新 2026-10-19） | 名为 2B，与 4.1 2B 同架构，确切参数量待核对 | 英、法、德、西、葡 | 语音识别、说话人归属转写、词级时间戳、关键词偏置；不输出标点和大小写 |
表中信息来自三份官方模型卡，三款模型的许可证均为 Apache 2.0。需要注意，博客标题里的“说话人归属”（Attribute）对应的是 4.1 2B Plus 的能力，5.0 2B 的模型卡没有列出说话人标注功能。5.0 2B 以 granite-4.0-1b-base 的一个中间检查点作为语言模型底座，训练使用约 39 万小时公开音频，以及为日语识别、关键词偏置和翻译构建的合成数据；模型卡建议把长录音切成约 2 分钟以内的片段再转写。
IBM 公布的成绩
以下数字均来自 IBM 博客和模型卡，属于官方公布结果。5.0 2B 方面，博客称它在 Open ASR 榜单英文短音频公开测试集上的平均词错率（WER，越低越好）为 5.06%，截至 2026 年 10 月 21 日在开源权重模型中排第 2。标点和大小写方面，博客称大小写 F1 在 89.7 到 99.5 之间，但模型卡表格中 5.0 2B 的数值是 90.16 到 99.51，89.71 其实是上一代 4.1 2B 的成绩；标点错误率在 9 个测试集中有 7 个下降，CommonVoice 英语和法语略有上升。噪声与远场环境（FFASR 榜单）、多语种识别和语音翻译的成绩在模型卡中只以图表给出，本文没有读取到具体数值，待核对。
Turbo CTC 方面，模型卡称多语种新版的英文平均 WER 为 5.51%，好于英文版的 5.78%，但同时注明 5.51% 是非官方结果，榜单上登记的仍是英文版。博客称它在榜单上的速度达到 19,870 RTFx（处理速度相当于音频实时长度的倍数），约为首发时 12,600 的 1.6 倍；而本文读取的榜单数据中，该条目记为 21,134.31，两者不一致，原因待核对。
4.1 2B Plus 方面，博客给出了新旧版本对照（均为错误率，越低越好）：
| 指标 | 旧版 | 新版 |
|---|---|---|
| 说话人归属错误率 WDER | 4.40 | 4.10 |
| 带说话人标签的转写错误率 cpWER | 30.50 | 28.48 |
| 长音频 WER | 13.53 | 10.22 |
| 关键词偏置下的关键词 WER（20 词列表） | 11.79 | 6.48 |
| 时间戳平均偏移 AAS（全部语音） | 210.86 | 98.54 |
模型卡的分项数据显示，改进并不全面：WDER 在 FISHER（0.9 升至 1.0）和 CALLHOME 英语（2.2 升至 3.0）上变差，在 AMI-SDM 和 GALE 上下降；在榜单改版后的英文测试集上，平均 WER 从 6.01% 升到 6.10%。博客中 WDER 4.40 和 4.10 两个汇总值的计算方式，模型卡没有说明，待核对。
Open ASR 榜单中的位置
Open ASR Leaderboard 托管在 Hugging Face 的 hf-audio 组织下，结果数据公开在 open-asr-leaderboard-results 数据集中。本文于 2026 年 10 月 22 日读取其中的 english_short_latest.csv，读取时的最新提交为 f3f9949，即加入 5.0 2B 结果的那次提交。英文短音频榜目前使用 9 个公开测试集：AMI、Earnings22、Gigaspeech、VoxPopuli 的清洗版，LibriSpeech clean 与 other，SPGISpeech，URGENT2024，以及 Voice Arena Monsoon（印度英语）。榜单没有标注正式的方法版本号，待核对。
这项成绩不只来自 IBM 自报。IBM 研究员 gsaon 于 10 月 14 日向榜单代码仓库提交 PR #245，附上在 Hugging Face Jobs 上的运行日志，9 个测试集的平均 WER 为 5.06%。10 月 19 日，仓库协作者 Deep-unlearning 在评论中表示，已在 H200 上独立运行公开测试集，得到一致的 5.06%；该 PR 于 10 月 21 日合并，结果上线。不过复现日志没有附在 PR 中，榜单私有测试集上的成绩也未见公布，这两点待核对。
按 CSV 中平均 WER 一列从低到高排序，5.0 2B（5.06%）位列第 8。排在它前面的 7 个条目里，6 个是闭源商业服务，第 1 名为 OtterAI speech-v3.1（3.88%）；唯一的开源权重模型是微软 Phi-4-multimodal-instruct（5.02%，MIT 许可）。按这一列看，博客“开源权重模型第 2”的说法与榜单数据一致。
但这个排名并非同口径比较。本文按 CSV 中各测试集的数值逐行验算，发现平均值一列覆盖的测试集数量不同：5.0 2B 是全部 9 个；Phi-4-multimodal 缺少 URGENT2024，是 8 个；上一代 4.1 2B、Qwen3-ASR-1.7B-hf 等较早条目的数值，与去掉两个 LibriSpeech 测试集后的 7 个测试集平均值吻合。统一按 9 个测试集计算，Qwen3-ASR-1.7B-hf 平均为 4.94%，低于 5.0 2B 的 5.06%；在 Phi-4-multimodal 有成绩的 8 个测试集上，5.0 2B 平均为 4.42%，低于 Phi-4-multimodal 的 5.02%。也就是说，统一口径后 5.0 2B 在开源权重模型中仍排第 2，但排在它前面的是 Qwen3-ASR-1.7B-hf；综合第 8 的位置同样会受口径影响。以上是本文的计算，不是榜单的官方排名；榜单为何混用不同口径，待核对。
与上一代相比，在同样的 9 个测试集上，4.1 2B 的平均 WER 为 5.35%，5.0 2B 为 5.06%；9 个测试集中有 8 个下降，只有 LibriSpeech other 从 2.19% 微升到 2.21%（本文按 CSV 计算）。速度上两者接近，CSV 记录的 RTFx 分别为 546.84 和 544.52；IBM 在 PR 日志中报告的 5.0 2B RTFx 为 570.17，与榜单数值的差别是否来自运行硬件不同，待核对。
英文单词“open”的语音频谱图（示意图，与本文榜单数据无关）。Granite Speech 5.0 2B 模型卡显示，其语音编码器的输入是对数梅尔频谱特征，属于同类时频表示。作者：Kelly Fitz；来源：Wikimedia Commons；许可：CC BY-SA 3.0。
