IBM lança novos modelos Granite Speech para empresas
IBM apresenta o modelo granite-speech-5.0-2b e atualizações em dois sistemas Granite Speech, prometendo mais precisão, velocidade e suporte multilíngue para uso corporativo.
Tecnologia
IBM amplia sua linha Granite Speech com modelos mais rápidos e precisos para o mercado corporativo.
Leia também: 5 presentes tech para mães que vão surpreender neste fim de ano
A IBM anunciou nesta quarta-feira novas versões da coleção Granite Speech, incluindo o lançamento do modelo granite-speech-5.0-2b e atualizações nos modelos granite-speech-5.0-470m-turboctc e granite-speech-4.1-2b-plus, em um movimento para disputar a liderança em reconhecimento automático de fala e tradução em ambientes empresariais complexos.
Novo modelo amplia idiomas e mira alta precisão
O granite-speech-5.0-2b é apresentado como sucessor direto do granite-speech-4.1-2b, mantendo o mesmo número de parâmetros, mas ampliando o alcance e a precisão. O sistema transcreve seis idiomas — inglês, francês, alemão, espanhol, português e japonês — e traduz de e para o inglês nesses idiomas, além de lidar com pares que incluem italiano e mandarim.
O modelo foi treinado com 390.000 horas de áudio público, complementadas por dados sintéticos específicos para reconhecimento de fala em japonês, priorização de palavras-chave e tradução. Em testes públicos de inglês de curta duração, a IBM destaca que “granite-speech-5.0-2b ranks #2 among top open-weight ASR models on average English WER (5,06%). Lower is better.” A taxa média de erro de palavra (WER) de 5,06% coloca o modelo entre as principais opções abertas voltadas a empresas que dependem de transcrições fiéis, como escritórios de advocacia, bancos, áreas de atendimento e recursos humanos.
Voltado a desenvolvedores e equipes de dados, o granite-speech-5.0-2b é distribuído sob licença aberta Apache 2.0 e já chega com suporte nativo a frameworks populares, como Transformers, vLLM, llama.cpp e mlx-audio para chips Apple Silicon, o que reduz barreiras de adoção em diferentes infraestruturas.
TurboCTC fica até 1,6 vez mais rápido
A IBM também atualizou o granite-speech-5.0-470m-turboctc, modelo de 470 milhões de parâmetros desenhado para máxima velocidade, especialmente em aplicações na borda, como dispositivos de atendimento, call centers em tempo real e monitoramento de chamadas.
Segundo a empresa, a nova versão mantém o foco em rapidez sem perder precisão. Uma otimização técnica — a compilação de um único bloco Conformer e o reuso do mesmo grafo ao longo da pilha — permitiu reduzir de forma expressiva o tempo de aquecimento do modelo e elevar a taxa de processamento em tempo real. “By compiling a single Conformer block and reusing its graph across the stack, we cut warmup time and pushed Turbo CTC to 19,870 RTFx on the Open ASR Leaderboard, up from roughly 12,600 RTFx at launch: about 1.6x faster, at the same accuracy level”, afirma a equipe da Granite.
Na prática, o salto de 12.600 para 19.870 RTFx significa que o turboctc consegue processar muito mais áudio por segundo, algo decisivo em cenários que exigem respostas instantâneas, como suporte técnico automatizado, triagem de chamadas e sistemas de alerta baseados em voz.
Modelo para reuniões longas ganha ajuste fino
O terceiro movimento da IBM foi revisar o granite-speech-4.1-2b-plus, voltado a gravações empresariais típicas: reuniões extensas, entrevistas, conferências e chamadas de suporte com vários interlocutores. O modelo foi ajustado para lidar melhor com esse tipo de áudio longo, em que não importa apenas o que foi dito, mas também quem falou e em que momento.
A empresa afirma ter melhorado quatro áreas de desempenho, mantendo, porém, a mesma arquitetura, o formato de prompt e a API. Isso transforma o 4.1-2b-plus em um substituto direto da versão anterior, evitando retrabalho em integrações já existentes e facilitando o upgrade em sistemas que registram atas automáticas, relatórios de reuniões ou análises de conversas de clientes.
Entenda o contexto
Com os anúncios, a coleção Granite Speech passa a cobrir, com modelos abertos, três frentes principais de uso corporativo: transcrição e tradução multilíngue de alta precisão, transcrição ultrarrápida em tempo real e análise de gravações longas com múltiplos participantes. O pacote mira empresas com operações internacionais e fluxos intensivos de voz, que buscam automatizar registros, reduzir custos de atendimento e melhorar a qualidade de serviço.
A estratégia da IBM aposta na abertura: todos os modelos são liberados sob licença Apache 2.0, o que permite customização e integração sem as restrições comuns em soluções totalmente proprietárias. A companhia recomenda que implantações em produção sejam combinadas ao Granite Guardian, ferramenta de detecção de riscos pensada para monitorar o uso dos modelos e oferecer camadas adicionais de segurança e confiabilidade.
As novidades foram recebidas de forma positiva por desenvolvedores e empresas que já utilizam reconhecimento de fala, especialmente pela combinação de precisão, velocidade e suporte a vários idiomas. A IBM convida a comunidade a testar os modelos nas plataformas onde estão disponíveis e a enviar feedback, indicando que futuras versões devem incluir suporte a mais idiomas e contextos específicos de setores como saúde, finanças e educação.
Em um cenário em que o reconhecimento de fala aberto avança rápido, as atualizações da Granite Speech tendem a pressionar fornecedores de soluções proprietárias a acelerar seus próprios lançamentos. Ao mesmo tempo, reforçam a tendência de que reuniões, treinamentos, entrevistas e atendimentos sejam cada vez mais registrados, analisados e traduzidos automaticamente como parte do fluxo de trabalho diário.
Fonte: matéria original
