IBM פרסמה שלושה עדכונים למשפחת Granite Speech, מודלי הדיבור שלה: מודל חדש בשם granite-speech-5.0-2b, וגרסאות מעודכנות של granite-speech-5.0-470m-turboctc ושל granite-speech-4.1-2b-plus. לפי הבלוג של צוות Granite, המטרה היא לכסות את עבודת הדיבור בארגונים: תמלול ותרגום מדויקים, תמלול מהיר מאוד על המכשיר עצמו, והקלטות שבהן חשוב גם מי דיבר ומתי. כל המודלים מפורסמים ברישיון Apache 2.0, שמתיר שימוש מסחרי חופשי.
המודל החדש: 2B
granite-speech-5.0-2b יורש את granite-speech-4.1-2b באותו גודל (שני מיליארד פרמטרים). הוא מתמלל אנגלית, צרפתית, גרמנית, ספרדית, פורטוגזית ויפנית, ומתרגם מהשפות האלה ואליהן מאנגלית, ובנוסף מאנגלית לאיטלקית ולסינית מנדרינית. לפי כרטיס המודל, הוא אומן על 390 אלף שעות שמע ממאגרים ציבוריים, לצד נתונים סינתטיים. עברית אינה ברשימת השפות.
השיפורים לעומת הדור הקודם: דיוק גבוה יותר באנגלית בקטעים קצרים, עמידות לרעש, להד ולמיקרופון רחוק, ואפשרות לציין בהנחיה את שפת ההקלטה. עוד נוספו תרגום טוב יותר של דיבור ארוך ושיחתי, ורשימות מילות מפתח של עד 2,000 מונחים (שמות מוצרים, אנשים וראשי תיבות) שמטות את התמלול לכיוונם. אפשר גם לבקש פלט עם פיסוק ואותיות גדולות.
לפי IBM, המודל מדורג שני בין מודלי הקוד הפתוח המובילים בטבלת Open ASR Leaderboard של Hugging Face, עם שיעור שגיאות ממוצע של 5.06% באנגלית. IBM מציינת שהתוצאה לא רשמית ונכונה ל-15 באוקטובר 2026. לא ברור מהמקורות מי מדורג לפניו.
TurboCTC: מהיר ורב־לשוני
גרסת ה-Turbo CTC, בת 470 מיליון פרמטרים, פורסמה לראשונה באוגוסט כמודל לאנגלית בלבד. לפי כרטיס המודל, העדכון מ-21 באוקטובר מוסיף שש שפות (צרפתית, גרמנית, ספרדית, פורטוגזית, איטלקית ויפנית), פיסוק ואותיות גדולות מובנים, ועמידות טובה יותר בחדרים מהדהדים ובהקלטות מרחוק. שיעור השגיאות הממוצע באנגלית ירד מ-5.78% ל-5.51%.
המודל גם מהיר יותר. IBM מדווחת על 19,870 RTFx בטבלת המובילים, לעומת כ-12,600 בהשקה, כלומר פי 1.6 בקירוב באותה רמת דיוק. RTFx מודד כמה שניות שמע המודל מעבד בשנייה אחת של עבודה. IBM ממליצה עליו לתמלול מהיר ובמכשירים כמו מחשבים ניידים וסמארטפונים, ומציעה הדגמה בדפדפן.
הקלטות עם כמה דוברים
granite-speech-4.1-2b-plus נשאר בשם 4.1 כי הארכיטקטורה והממשק לא השתנו, ולכן הוא מחליף ישיר של הגרסה הקודמת. הוא מיועד לפגישות, שיחות שירות ושיחות עם כמה דוברים, ומסמן בתמלול מי מדבר וגם מתי נאמרה כל מילה. לפי הבלוג, הטעות בשיוך מילים לדובר ירדה מ-4.40% ל-4.10%, והסטייה הממוצעת בחותמות הזמן ירדה מ-210.86 ל-98.54 אלפיות השנייה. שיעור השגיאות בהקלטות ארוכות ירד מ-13.53% ל-10.22%, ושגיאות במילות מפתח, ברשימות של 20 מונחים, ירדו מ-11.79% ל-6.48%.
התמונה בכרטיס המודל מעורבת יותר. בטבלת Open ASR המעודכנת השגיאה הממוצעת עלתה מעט, מ-6.01% ל-6.10%. בשיוך לדוברים התוצאות משתנות בין מערכי הבדיקה: ב-Fisher וב-CallHome הגרסה החדשה קצת פחות מדויקת, וב-AMI-SDM וב-GALE היא משתפרת. יש גם מאגר אחד, CV-en, שבו התוצאה עם מילות מפתח ירדה. כל המספרים הם של IBM, ואין להם אימות עצמאי בחומרים שפורסמו.
מה זה אומר בשבילכם
המודלים מיועדים בעיקר למפתחים וחברות שבונים שירותי תמלול ותרגום. הם חינמיים ובקוד פתוח, וזמינים ב-Hugging Face עם תמיכה ב-Transformers, ובמודל ה-2B גם ב-vLLM, ב-llama.cpp וב-mlx-audio למחשבי Apple. מי שמעדיף כלי פשוט יכול להשתמש בספריית granite-speech, שפועלת משורת הפקודה ומפיקה גם קובצי כתוביות. מומלץ לחלק הקלטות ארוכות לקטעים של כשתי דקות במודל ה-2B. אין בחומרים התייחסות לעברית, ולכן אין ביסוס לכך שהמודלים מתאימים לה.
תגובות