Qu’est-ce que Granite Speech 5.0 2B ?
Granite Speech 5.0 2B est un modèle parole-langage d'IBM, publié le 20 octobre 2026 sous Apache 2.0, qui transcrit l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais et traduit la parole depuis et vers l'anglais pour ces langues, ainsi que de l'anglais vers l'italien et le mandarin. Il remplace Granite Speech 4.1 2B à taille égale et a été entraîné sur 390 000 heures d'audio issues de corpus publics, plus des données synthétiques.
Il se compose d'un encodeur vocal Conformer de 16 couches, d'un petit adaptateur et d'un modèle de langage Granite 4.0 1B, et se pilote par des consignes textuelles : l'une demande du texte brut, une autre la ponctuation et les majuscules, une autre indique la langue d'entrée, et une liste de jusqu'à 2 000 termes l'oriente vers des noms et du jargon. Il tourne dans Transformers, vLLM, llama.cpp, Ollama sous le nom ibm/granite5-speech (un build Q8_0 de 3,2 GB), mlx-audio sur Apple Silicon et LiteRT-LM sur Android.
Granite Speech 5.0 2B vaut-il le coup ?
Granite Speech 5.0 est précis en anglais et inhabituellement bon sur les mots que les modèles génériques ratent. IBM annonce un WER moyen de 5,06 % en anglais sur les jeux publics de format court de l'Open ASR Leaderboard au 21 octobre 2026, deuxième des modèles à poids ouverts, à 570 fois le temps réel ; son prédécesseur obtenait 5,33 %. Le graphique d'IBM place Qwen3-ASR-1.7B en tête à 4,94 % : c'est donc une deuxième place serrée plutôt qu'un nouveau leader, et les chiffres proviennent des propres exécutions d'IBM.
Sa fonction distinctive est le biais par mots-clés. Vous ajoutez à la consigne une liste de jusqu'à 2 000 termes, dans l'une de ses langues, et le modèle penche vers eux : noms de produits, de médicaments, noms de famille de collègues. La précédente mise à jour 4.1 Plus d'IBM a fait passer le WER sur les mots ciblés de 11,79 % à 6,48 % avec des listes de 20 termes, et la 5.0 augmente la taille de la liste.
La traduction est la deuxième raison de le choisir. Un seul checkpoint transcrit et traduit, si bien qu'une réunion en allemand peut ressortir en texte anglais en une seule passe. IBM annonce aussi une meilleure robustesse au bruit, à l'écho et aux micros éloignés ; sur le classement FFASR de parole bruitée, le graphique d'IBM le place quatrième sur 42 à 14,80 % de WER.
Le hic : il est conçu avant tout pour le format court. IBM conseille des segments d'environ 2 minutes, les enregistrements plus longs étant d'abord découpés par un détecteur de parole, et les quantisations GGUF à moins de bits perdent en précision au-delà d'environ une minute : Q8_0 est donc le minimum. Six langues de transcription, c'est peu face aux 30 de Qwen3-ASR, et la fiche du 2B ne propose ni horodatage ni étiquettes de locuteur ; IBM les réserve au Granite Speech 4.1 2B Plus distinct.
Notre avis : Granite Speech 5.0 convient au travail d'entreprise en anglais et en langues européennes où l'on peut fournir un glossaire, comme les appels médicaux, juridiques ou de support ; pour une large couverture linguistique ou de longs enregistrements d'un seul tenant, d'autres modèles ouverts conviennent mieux.
Là où il fait la différence
Une équipe de documentation clinique d'un groupe hospitalier
Transcrire les dictées des médecins avec des noms de médicaments et d'actes correctement orthographiés
Passez le livret thérapeutique comme liste de jusqu'à 2 000 termes avec chaque segment de 2 minutes. L'exécution sur site sous Apache 2.0 garde l'audio des patients dans le réseau de l'hôpital.
Un responsable des opérations d'un industriel franco-allemand
Obtenir des comptes rendus en anglais de réunions d'atelier tenues en français et en allemand
Utilisez la consigne de traduction vers l'anglais pour qu'une seule passe produise du texte anglais ; découpez d'abord les enregistrements en morceaux de 2 minutes avec un détecteur de parole, comme le conseille IBM.
Un développeur mobile qui crée une application de notes hors ligne
Faire tourner la transcription sur un téléphone Android sans réseau
Livrez la conversion LiteRT-LM d'IBM, un seul fichier de 2,8 GB avec un modèle de langage int8, dont le contexte tient 4 096 tokens, soit environ 2 minutes d'audio plus la réponse.
Avant de vous engager
- Mise en route
- pip install transformers torchaudio soundfile et chargez ibm-granite/granite-speech-5.0-2b, ou lancez ollama run ibm/granite5-speech:2b audio.wav avec une consigne. L'audio doit être en 16 kHz mono.
- Intégrations
- Transformers 4.52.1+, vLLM avec un serveur compatible OpenAI, llama-server de llama.cpp avec /v1/audio/transcriptions, Ollama, mlx-audio 0.5.9+, LiteRT-LM 0.19.1 ; IBM suggère de l'associer à Granite Guardian en production.
- Données et confidentialité
- Apache 2.0, données d'entraînement issues de corpus publics et de jeux synthétiques générés par IBM. En auto-hébergement, l'audio reste sur votre matériel ; l'endpoint Hugging Face suit les conditions de Hugging Face.
- Coût à grande échelle
- Poids gratuits ; le build Q8_0 fait 3,2 GB et tient sur de petits GPU et des portables Apple. À 570 fois le temps réel mesuré par IBM, un million de minutes représente environ 29 heures-GPU de calcul, hors frais annexes.
- Limites
- Six langues de transcription ; traduction vers l'italien et le mandarin depuis l'anglais seulement ; meilleur sous environ 2 minutes par segment ; contexte de 4 096 tokens dans le build LiteRT ; ni diarisation ni horodatage.
Les points forts
- 5,06 % de WER moyen en anglais, deuxième des modèles ouverts dans le graphique d'IBM d'octobre
- Biais par mots-clés avec des listes de jusqu'à 2 000 termes
- Transcrit et traduit dans un seul modèle
- Apache 2.0 ; tourne dans Ollama, llama.cpp, mlx-audio et sur Android
Les points faibles
- Six langues de transcription
- Meilleur avec des segments d'environ 2 minutes ; l'audio long doit être découpé
- Les quantisations sous Q8_0 perdent en précision au-delà d'une minute
- Ni horodatage ni étiquettes de locuteur dans ce modèle
- Les benchmarks viennent d'IBM
Idéal pour
Les entreprises qui transcrivent l'anglais et les grandes langues européennes avec un vocabulaire métier qu'elles peuvent lister à l'avance.
Alternatives à Granite Speech 5.0 2B
Granite Speech 5.0 2B : questions fréquentes
- Granite Speech 5.0 2B vaut-il le coup ?
- Granite Speech 5.0 est le transcripteur ouvert à choisir quand les noms et le jargon comptent plus que le nombre de langues. Nous lui donnons 4.0 sur 5.
- Combien coûte Granite Speech 5.0 2B ?
- Gratuit sous Apache 2.0. Un Inference Endpoint Hugging Face est disponible et se met à zéro au repos ; son coût horaire dépend du matériel choisi.
- Quels sont les inconvénients de Granite Speech 5.0 2B ?
- Six langues de transcription; meilleur avec des segments d'environ 2 minutes ; l'audio long doit être découpé; les quantisations sous Q8_0 perdent en précision au-delà d'une minute; ni horodatage ni étiquettes de locuteur dans ce modèle; les benchmarks viennent d'IBM.
- À qui s’adresse Granite Speech 5.0 2B ?
- Les entreprises qui transcrivent l'anglais et les grandes langues européennes avec un vocabulaire métier qu'elles peuvent lister à l'avance.
- Combien coûte Granite Speech 5.0 2B pour une équipe ou en production ?
- Poids gratuits ; le build Q8_0 fait 3,2 GB et tient sur de petits GPU et des portables Apple. À 570 fois le temps réel mesuré par IBM, un million de minutes représente environ 29 heures-GPU de calcul, hors frais annexes.
- Granite Speech 5.0 2B est-il sûr pour les données de l’entreprise ?
- Apache 2.0, données d'entraînement issues de corpus publics et de jeux synthétiques générés par IBM. En auto-hébergement, l'audio reste sur votre matériel ; l'endpoint Hugging Face suit les conditions de Hugging Face.
- Quelles sont les meilleures alternatives à Granite Speech 5.0 2B ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-ASR (1.7B and 0.6B), Cohere Transcribe (03-2026), Parakeet TDT 0.6B v3, Whisper large-v3-turbo et ElevenLabs Scribe v2.
Réponses vérifiées le 7 nov. 2026.
Vous éditez Granite Speech 5.0 2B ? Affichez cette note sur votre site
