IBM lance Granite Speech 5.0 2B, un modèle de transcription et de traduction multilingues
IBM a publié Granite Speech 5.0 2B, un modèle de parole ouvert de 2 milliards de paramètres qui transcrit la parole en texte dans 6 langues et sait aussi la traduire. Distribué sous licence Apache 2.0, il s'accompagne de la mise à jour de deux modèles existants : Turbo CTC, orienté périphérique, et 4.1 2B Plus, orienté diarisation. L'architecture comprend un encodeur de 16 blocs Conformer entraîné avec CTC, un q-former à deux couches qui réduit la fréquence des représentations acoustiques d'un facteur 10 (le modèle de langage les voit à 10 Hz), puis un modèle de langage issu d'un point intermédiaire de granite-4.0-1b-base, étendu à 16 000 positions avec YaRN et ajusté par adaptateurs LoRA. L'entraînement a mobilisé 390 000 heures d'audio public et des données synthétiques, pendant 40 jours sur 8 GPU H100. Au classement Open ASR Leaderboard, le modèle occupe la deuxième place des modèles à poids ouverts, avec 5,68 % de taux d'erreur moyen sur l'anglais (au 21 octobre 2026). Seul Qwen3-ASR-1.7B fait mieux, à 5,40 %. Il atteint 0,99 % sur LibriSpeech Clean, mais 13,79 % sur le jeu conversationnel privé. Sur le classement FFASR, axé sur le bruit, il est 4e sur 42 avec 14,80 %.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Également couvert par HuggingFace Blog.
Le gain le plus net concerne le biaisage par mots-clés. Le modèle accepte des listes allant jusqu'à 2 000 termes (noms de produits, de personnes, acronymes), et sur Earnings-22 le F1 des mots-clés passe de 67,2 à 90,1 avec des listes correctes, et reste à 82,8 quand la liste mélange termes justes et faux. Pour les entreprises traitant des appels, des réunions ou des rapports financiers, c'est un levier concret contre les erreurs sur le vocabulaire métier. Le modèle gère aussi l'indication de la langue d'entrée dans le prompt, la ponctuation et la capitalisation à la demande (F1 de capitalisation de 90,16 à 99,51 selon les jeux de test) et se montre plus robuste au bruit, à la réverbération et aux micros distants. En traduction vers l'anglais, le score BLEU sur CoVoST atteint 53,6 pour le portugais et 40,1 pour l'allemand. Les limites existent : le japonais reste la langue la plus faible (10,74 % d'erreurs), l'anglais vers le mandarin n'a pas été évalué, et IBM recommande des segments audio d'environ 2 minutes. Le modèle tourne sur GPU via Transformers ou vLLM, sur Apple Silicon via mlx-audio, et sur CPU via llama.cpp en GGUF (Q8_0 conseillé).
Ce lancement s'inscrit dans une concurrence très active sur la reconnaissance vocale ouverte. Qwen3-ASR-1.7B couvre 30 langues plus 22 dialectes chinois, Cohere Transcribe 03-2026 en gère 14 avec 5,77 % d'erreurs, et Canary-Qwen-2.5B de NVIDIA, limité à l'anglais, affiche 5,94 %. IBM se distingue par la traduction vocale intégrée, le biaisage par mots-clés à grande échelle et une licence permissive, mais couvre moins de langues. Le blog d'IBM avance par ailleurs un chiffre non officiel de 5,06 %, daté du 15 octobre et calculé uniquement sur des jeux publics de parole préparée, ce qui explique l'écart avec le classement. Côté mises à jour, Turbo CTC conserve ses 470 millions de paramètres et passe à 7 langues avec ponctuation et majuscules natives. La famille Granite confirme ainsi une stratégie de modèles compacts, ouverts et déployables en local, destinés aux usages professionnels.
Modèle ouvert sous licence Apache 2.0 déployable en local, utile aux entreprises européennes pour transcrire des contenus multilingues (dont le français) tout en gardant la maîtrise de leurs données.