¿Qué es Granite Speech 5.0 2B?
Granite Speech 5.0 2B es un modelo de voz y lenguaje de IBM, publicado el 20 de octubre de 2026 bajo Apache 2.0, que transcribe inglés, francés, alemán, español, portugués y japonés y traduce la voz desde y hacia el inglés en esos idiomas, además de inglés a italiano y mandarín. Sustituye a Granite Speech 4.1 2B con el mismo tamaño y se entrenó con 390.000 horas de audio de corpus públicos más datos sintéticos.
Se compone de un codificador de voz Conformer de 16 capas, un pequeño adaptador y un modelo de lenguaje Granite 4.0 1B, y se maneja con indicaciones de texto: una pide texto en bruto, otra puntuación y mayúsculas, otra indica el idioma de entrada, y una lista de hasta 2.000 términos lo orienta hacia nombres y jerga. Funciona en Transformers, vLLM, llama.cpp, Ollama como ibm/granite5-speech (un build Q8_0 de 3,2 GB), mlx-audio en Apple Silicon y LiteRT-LM en Android.
¿Merece la pena Granite Speech 5.0 2B?
Granite Speech 5.0 es preciso en inglés e inusualmente bueno con las palabras que los modelos genéricos fallan. IBM indica un 5,06% de WER medio en inglés en los conjuntos públicos de formato corto de la Open ASR Leaderboard a 21 de octubre de 2026, segundo entre los modelos de pesos abiertos, a 570 veces el tiempo real; su predecesor marcó un 5,33%. El gráfico de IBM pone primero a Qwen3-ASR-1.7B con un 4,94%, así que es un segundo puesto ajustado y no un nuevo líder, y las cifras son ejecuciones de la propia IBM.
La función distintiva es el sesgo por palabras clave. Añades a la indicación una lista de hasta 2.000 términos, en cualquiera de sus idiomas, y el modelo se inclina hacia ellos: nombres de productos, de fármacos, apellidos de compañeros. La actualización anterior 4.1 Plus de IBM redujo el WER en las palabras sesgadas del 11,79% al 6,48% con listas de 20 términos, y la 5.0 amplía el tamaño de la lista.
La traducción es el segundo motivo para elegirlo. Un mismo checkpoint transcribe y traduce, así que una reunión en alemán puede salir como texto en inglés en una sola pasada. IBM también indica más robustez ante ruido, eco y micrófonos lejanos; en la tabla de voz ruidosa FFASR, el gráfico de IBM lo sitúa cuarto de 42 con un 14,80% de WER.
La pega: en el fondo es de formato corto. IBM aconseja segmentos de unos 2 minutos, dividiendo antes las grabaciones largas con un detector de voz, y las cuantizaciones GGUF de menos bits pierden precisión a partir de un minuto, así que Q8_0 es el mínimo. Seis idiomas de transcripción es poco frente a los 30 de Qwen3-ASR, y la ficha del 2B no ofrece marcas de tiempo ni etiquetas de hablante; IBM las pone en el Granite Speech 4.1 2B Plus aparte.
Nuestra opinión: Granite Speech 5.0 encaja en trabajo empresarial en inglés y lenguas europeas donde se pueda aportar un glosario, como llamadas médicas, legales o de soporte; para una cobertura amplia de idiomas o grabaciones largas de una vez, otros modelos abiertos encajan mejor.
Dónde se gana su sitio
Un equipo de documentación clínica en un grupo hospitalario
Transcribir dictados médicos con los nombres de fármacos y procedimientos bien escritos
Pasa el formulario de medicamentos como lista de hasta 2.000 términos con cada segmento de 2 minutos. Ejecutarlo en las instalaciones bajo Apache 2.0 mantiene el audio de los pacientes dentro de la red del hospital.
Un responsable de operaciones en un fabricante francoalemán
Obtener actas en inglés de reuniones de planta celebradas en francés y alemán
Usa la indicación de traducir al inglés para que una sola pasada produzca texto en inglés; divide antes las grabaciones en fragmentos de 2 minutos con un detector de voz, como aconseja IBM.
Un desarrollador móvil que crea una app de notas sin conexión
Transcribir en un teléfono Android sin red
Distribuye la conversión LiteRT-LM de IBM, un único archivo de 2,8 GB con un modelo de lenguaje int8, cuyo contexto admite 4.096 tokens, unos 2 minutos de audio más la respuesta.
Antes de decidirte
- Puesta en marcha
- pip install transformers torchaudio soundfile y carga ibm-granite/granite-speech-5.0-2b, o ejecuta ollama run ibm/granite5-speech:2b audio.wav con una indicación. El audio debe ser mono a 16 kHz.
- Integraciones
- Transformers 4.52.1+, vLLM con un servidor compatible con OpenAI, llama-server de llama.cpp con /v1/audio/transcriptions, Ollama, mlx-audio 0.5.9+, LiteRT-LM 0.19.1; IBM sugiere combinarlo con Granite Guardian en producción.
- Datos y privacidad
- Apache 2.0, con datos de entrenamiento de corpus públicos y conjuntos sintéticos generados por IBM. Alojado por ti, el audio se queda en tu hardware; el endpoint de Hugging Face sigue las condiciones de Hugging Face.
- Coste a escala
- Pesos gratuitos; el build Q8_0 ocupa 3,2 GB, así que cabe en GPU pequeñas y portátiles de Apple. A las 570 veces el tiempo real que mide IBM, un millón de minutos son unas 29 horas de GPU de cómputo sin contar sobrecostes.
- Límites
- Seis idiomas de transcripción; traducción a italiano y mandarín solo desde el inglés; mejor por debajo de unos 2 minutos por segmento; contexto de 4.096 tokens en el build LiteRT; sin diarización ni marcas de tiempo.
Lo bueno
- 5,06% de WER medio en inglés, segundo entre los modelos abiertos en el gráfico de IBM de octubre
- Sesgo por palabras clave con listas de hasta 2.000 términos
- Transcribe y traduce en un solo modelo
- Apache 2.0; funciona en Ollama, llama.cpp, mlx-audio y en Android
Lo malo
- Seis idiomas de transcripción
- Mejor con segmentos de unos 2 minutos; el audio largo hay que dividirlo
- Las cuantizaciones por debajo de Q8_0 pierden precisión en clips de más de un minuto
- Sin marcas de tiempo ni etiquetas de hablante en este modelo
- Las pruebas son de la propia IBM
Ideal para
Empresas que transcriben inglés y las principales lenguas europeas con un vocabulario de dominio que pueden listar de antemano.
Alternativas a Granite Speech 5.0 2B
Granite Speech 5.0 2B: preguntas frecuentes
- ¿Merece la pena Granite Speech 5.0 2B?
- Granite Speech 5.0 es el transcriptor abierto que conviene elegir cuando los nombres y la jerga importan más que el número de idiomas. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta Granite Speech 5.0 2B?
- Gratis bajo Apache 2.0. Hay un Inference Endpoint de Hugging Face que se apaga cuando no se usa; su coste por hora depende del hardware elegido.
- ¿Qué inconvenientes tiene Granite Speech 5.0 2B?
- Seis idiomas de transcripción; mejor con segmentos de unos 2 minutos; el audio largo hay que dividirlo; las cuantizaciones por debajo de Q8_0 pierden precisión en clips de más de un minuto; sin marcas de tiempo ni etiquetas de hablante en este modelo; las pruebas son de la propia IBM.
- ¿Para quién es Granite Speech 5.0 2B?
- Empresas que transcriben inglés y las principales lenguas europeas con un vocabulario de dominio que pueden listar de antemano.
- ¿Cuánto cuesta Granite Speech 5.0 2B para un equipo o en producción?
- Pesos gratuitos; el build Q8_0 ocupa 3,2 GB, así que cabe en GPU pequeñas y portátiles de Apple. A las 570 veces el tiempo real que mide IBM, un millón de minutos son unas 29 horas de GPU de cómputo sin contar sobrecostes.
- ¿Es Granite Speech 5.0 2B seguro para los datos de la empresa?
- Apache 2.0, con datos de entrenamiento de corpus públicos y conjuntos sintéticos generados por IBM. Alojado por ti, el audio se queda en tu hardware; el endpoint de Hugging Face sigue las condiciones de Hugging Face.
- ¿Cuáles son las mejores alternativas a Granite Speech 5.0 2B?
- Las alternativas más cercanas que hemos analizado son Qwen3-ASR (1.7B and 0.6B), Cohere Transcribe (03-2026), Parakeet TDT 0.6B v3, Whisper large-v3-turbo y ElevenLabs Scribe v2.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas Granite Speech 5.0 2B? Muestra esta nota en tu web
