O que é Granite Speech 5.0 2B?
Granite Speech 5.0 2B é um modelo de fala e linguagem da IBM, lançado em 20 de outubro de 2026 sob Apache 2.0, que transcreve inglês, francês, alemão, espanhol, português e japonês e traduz a fala de e para o inglês nesses idiomas, além de inglês para italiano e mandarim. Ele substitui o Granite Speech 4.1 2B no mesmo tamanho e foi treinado com 390.000 horas de áudio de corpora públicos mais dados sintéticos.
É formado por um codificador de fala Conformer de 16 camadas, um pequeno adaptador e um modelo de linguagem Granite 4.0 1B, e é conduzido por prompts de texto: um pede texto bruto, outro pontuação e maiúsculas, outro indica o idioma de entrada, e uma lista de até 2.000 termos o direciona a nomes e jargões. Roda no Transformers, vLLM, llama.cpp, Ollama como ibm/granite5-speech (um build Q8_0 de 3,2 GB), mlx-audio no Apple Silicon e LiteRT-LM no Android.
Granite Speech 5.0 2B vale a pena?
Granite Speech 5.0 é preciso em inglês e incomumente bom nas palavras que modelos genéricos erram. A IBM informa WER médio de 5,06% em inglês nos conjuntos públicos de formato curto do Open ASR Leaderboard em 21 de outubro de 2026, segundo entre os modelos de pesos abertos, a 570 vezes o tempo real; o antecessor marcou 5,33%. O gráfico da IBM coloca o Qwen3-ASR-1.7B em primeiro com 4,94%, então é um segundo lugar apertado e não um novo líder, e os números são execuções da própria IBM.
O recurso que o distingue é o viés por palavras-chave. Você acrescenta ao prompt uma lista de até 2.000 termos, em qualquer um dos seus idiomas, e o modelo tende a eles: nomes de produtos, de medicamentos, sobrenomes de colegas. A atualização anterior 4.1 Plus da IBM reduziu o WER nas palavras com viés de 11,79% para 6,48% com listas de 20 termos, e a 5.0 aumenta o tamanho da lista.
A tradução é o segundo motivo para escolhê-lo. Um único checkpoint transcreve e traduz, então uma reunião em alemão pode sair como texto em inglês numa só passada. A IBM também relata mais robustez a ruído, eco e microfones distantes; no ranking de fala ruidosa FFASR, o gráfico da IBM o coloca em quarto de 42 com 14,80% de WER.
O porém: no fundo, ele é feito para trechos curtos. A IBM recomenda segmentos de cerca de 2 minutos, com gravações longas divididas antes por um detector de voz, e quantizações GGUF com menos bits perdem precisão a partir de cerca de um minuto, então Q8_0 é o mínimo. Seis idiomas de transcrição é pouco perto dos 30 do Qwen3-ASR, e a ficha do 2B não oferece timestamps nem identificação de falantes; a IBM os coloca no Granite Speech 4.1 2B Plus, separado.
Nossa opinião: Granite Speech 5.0 serve ao trabalho corporativo em inglês e idiomas europeus em que dá para fornecer um glossário, como ligações médicas, jurídicas ou de suporte; para ampla cobertura de idiomas ou gravações longas de uma vez, outros modelos abertos se encaixam melhor.
Onde ele se destaca
Uma equipe de documentação clínica num grupo hospitalar
Transcrever ditados médicos com nomes de medicamentos e procedimentos escritos corretamente
Passe o formulário de medicamentos como lista de até 2.000 termos em cada segmento de 2 minutos. Rodar localmente sob Apache 2.0 mantém o áudio dos pacientes dentro da rede do hospital.
Um gerente de operações numa fabricante franco-alemã
Obter atas em inglês de reuniões de chão de fábrica feitas em francês e alemão
Use o prompt de tradução para o inglês para que uma passada gere texto em inglês; divida antes as gravações em trechos de 2 minutos com um detector de voz, como a IBM recomenda.
Um desenvolvedor mobile criando um app de notas offline
Rodar transcrição num celular Android sem rede
Distribua a conversão LiteRT-LM da IBM, um único arquivo de 2,8 GB com modelo de linguagem int8, cujo contexto comporta 4.096 tokens, cerca de 2 minutos de áudio mais a resposta.
Antes de decidir
- Configuração
- pip install transformers torchaudio soundfile e carregue ibm-granite/granite-speech-5.0-2b, ou rode ollama run ibm/granite5-speech:2b audio.wav com um prompt. O áudio precisa ser mono a 16 kHz.
- Integrações
- Transformers 4.52.1+, vLLM com servidor compatível com OpenAI, llama-server do llama.cpp com /v1/audio/transcriptions, Ollama, mlx-audio 0.5.9+, LiteRT-LM 0.19.1; a IBM sugere combiná-lo com o Granite Guardian em produção.
- Dados e privacidade
- Apache 2.0, com dados de treino de corpora públicos e conjuntos sintéticos gerados pela IBM. Auto-hospedado, o áudio fica no seu hardware; o endpoint do Hugging Face segue os termos do Hugging Face.
- Custo em escala
- Pesos gratuitos; o build Q8_0 tem 3,2 GB, então cabe em GPUs pequenas e notebooks Apple. Às 570 vezes o tempo real medidas pela IBM, um milhão de minutos dá cerca de 29 horas de GPU de processamento, sem contar sobrecargas.
- Limites
- Seis idiomas de transcrição; tradução para italiano e mandarim só a partir do inglês; melhor abaixo de cerca de 2 minutos por segmento; contexto de 4.096 tokens no build LiteRT; sem diarização nem timestamps.
O que é bom
- 5,06% de WER médio em inglês, segundo entre os modelos abertos no gráfico da IBM de outubro
- Viés por palavras-chave com listas de até 2.000 termos
- Transcreve e traduz num só modelo
- Apache 2.0; roda no Ollama, llama.cpp, mlx-audio e no Android
O que não é
- Seis idiomas de transcrição
- Melhor com segmentos de cerca de 2 minutos; áudio longo precisa ser dividido
- Quantizações abaixo de Q8_0 perdem precisão em clipes de mais de um minuto
- Sem timestamps nem identificação de falantes neste modelo
- Os benchmarks são da própria IBM
Ideal para
Empresas que transcrevem inglês e os principais idiomas europeus com um vocabulário de domínio que conseguem listar de antemão.
Alternativas ao Granite Speech 5.0 2B
Granite Speech 5.0 2B: perguntas frequentes
- Granite Speech 5.0 2B vale a pena?
- Granite Speech 5.0 é o transcritor aberto a escolher quando nomes e jargões importam mais do que o número de idiomas. Damos nota 4.0 de 5.
- Quanto custa Granite Speech 5.0 2B?
- Gratuito sob Apache 2.0. Há um Inference Endpoint do Hugging Face que desliga quando ocioso; o custo por hora depende do hardware escolhido.
- Quais são as desvantagens de Granite Speech 5.0 2B?
- Seis idiomas de transcrição; melhor com segmentos de cerca de 2 minutos; áudio longo precisa ser dividido; quantizações abaixo de Q8_0 perdem precisão em clipes de mais de um minuto; sem timestamps nem identificação de falantes neste modelo; os benchmarks são da própria IBM.
- Para quem Granite Speech 5.0 2B é indicado?
- Empresas que transcrevem inglês e os principais idiomas europeus com um vocabulário de domínio que conseguem listar de antemão.
- Quanto custa Granite Speech 5.0 2B para uma equipe ou em produção?
- Pesos gratuitos; o build Q8_0 tem 3,2 GB, então cabe em GPUs pequenas e notebooks Apple. Às 570 vezes o tempo real medidas pela IBM, um milhão de minutos dá cerca de 29 horas de GPU de processamento, sem contar sobrecargas.
- Granite Speech 5.0 2B é seguro para dados da empresa?
- Apache 2.0, com dados de treino de corpora públicos e conjuntos sintéticos gerados pela IBM. Auto-hospedado, o áudio fica no seu hardware; o endpoint do Hugging Face segue os termos do Hugging Face.
- Quais são as melhores alternativas ao Granite Speech 5.0 2B?
- As alternativas mais próximas que analisamos são Qwen3-ASR (1.7B and 0.6B), Cohere Transcribe (03-2026), Parakeet TDT 0.6B v3, Whisper large-v3-turbo e ElevenLabs Scribe v2.
Respostas verificadas em 7 de nov. de 2026.
Você faz o Granite Speech 5.0 2B? Mostre esta nota no seu site
