IBM เปิดตัว Granite Speech 5.0 2B โมเดลถอดความและแปลภาษา AI

IBM ประกาศเปิดตัว Granite Speech 5.0 2B โมเดลภาษา-เสียงเวอร์ชันใหม่ล่าสุดที่ออกแบบมาเพื่อการถอดความและการแปลโดยเฉพาะ โมเดลขนาด 2 พันล้านพารามิเตอร์นี้สามารถเปลี่ยนเสียงพูดเป็นข้อความได้ถึง 6 ภาษา และเผยแพร่ภายใต้สัญญาอนุญาตแบบ Apache 2.0

นอกจากการเปิดตัวโมเดลใหม่แล้ว IBM ยังได้ อัปเดตโมเดลเดิม 2 รุ่น ประกอบด้วย Turbo CTC ที่เน้นประสิทธิภาพการทำงานบนอุปกรณ์ปลายทาง (edge) และ 4.1 2B Plus ที่ปรับปรุงการแยกแยะผู้พูด (diarization) ให้ดียิ่งขึ้น เพื่อตอบโจทย์นักพัฒนาที่ต้องการความแม่นยำและความรวดเร็วในการประมวลผลบนอุปกรณ์

TL;DR

ขนาด: 2B parameters แบบ dense โดยใช้ LLM backbone ที่ขยายด้วย YaRN เป็น 16k positions ทั้งนี้ IBM แนะนำให้ใช้กับคลิปเสียงความยาวสูงสุดประมาณ 2 นาที
การรองรับ: ใช้งานบน GPU ผ่าน Transformers หรือ vLLM, Apple Silicon ผ่าน mlx-audio และรองรับ local CPU/Mac ผ่าน llama.cpp GGUF (แนะนำ Q8_0)
ประสิทธิภาพ: ครองอันดับ 2 ของโมเดลแบบ open-weight บน Open ASR Leaderboard ด้วยค่าเฉลี่ย English WER ที่ 5.68%
จุดแข็ง: ทำค่า WER ได้ต่ำสุดเพียง 0.99% บน LibriSpeech Clean
จุดอ่อน: ค่า WER สูงถึง 13.79% บนชุดทดสอบการสนทนาส่วนตัวของ leaderboard

Granite Speech 5.0 2B ทำงานอย่างไร?

ตามข้อมูลจาก model card โมเดลประกอบด้วย 3 ส่วนหลัก ส่วนแรกคือ speech encoder ที่ใช้ 16 Conformer blocks ฝึกฝนด้วย CTC โดยใช้ block attention เหนือบล็อกเสียงขนาด 4 วินาที

ส่วนที่สองคือ window q-former แบบ 2 ชั้น ทำหน้าที่โปรเจกต์และลดขนาด (downsample) acoustic embeddings ลง 10 เท่า เพื่อให้ LLM ประมวลผล embeddings ได้ที่ความถี่ 10 Hz

ส่วนสุดท้ายคือ LLM ซึ่งใช้โครงสร้างจาก granite-4.0-1b-base ที่ IBM นำมาขยายเป็น 16k positions ด้วย YaRN และปรับแต่งเพิ่มเติมผ่าน LoRA adapters

กระบวนการฝึกฝนใช้ชุดข้อมูลเสียงสาธารณะกว่า 390,000 ชั่วโมง ผสมผสานกับข้อมูลสังเคราะห์ที่เน้น Japanese ASR, keyword biasing และการแปล โดยใช้เวลาฝึกฝนนาน 40 วันบน GPU H100 จำนวน 8 ตัว

มีอะไรใหม่เมื่อเทียบกับ Granite Speech 4.1 2B?

Language ID prompting: สามารถระบุภาษาต้นทางใน prompt เพื่อควบคุมความแม่นยำในการถอดความ
Keyword lists สูงสุด 2,000 คำ: ปรับปรุงการจดจำชื่อเฉพาะ ชื่อผลิตภัณฑ์ และตัวย่อให้แม่นยำขึ้น
ระบบเครื่องหมายวรรคตอน: รองรับการใส่เครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่ตามคำขอ โดยมีค่า F1 ของการใช้ตัวพิมพ์ใหญ่สูงถึง 90.16 - 99.51 ในผลทดสอบ
ความทนทาน (Robustness): พัฒนาความสามารถในการจัดการเสียงรบกวน เสียงก้อง และการรับเสียงจากไมโครโฟนระยะไกล

ประสิทธิภาพบน benchmark เป็นอย่างไร?

จากการจัดอันดับบน Open ASR Leaderboard ณ วันที่ 21 ตุลาคม 2026 โมเดลของ IBM มีค่าเฉลี่ย English WER อยู่ที่ 5.68% จากชุดทดสอบรวม 11 ชุด โดยปัจจุบันมีเพียง Qwen3-ASR-1.7B เท่านั้นที่ทำคะแนนได้ดีกว่าด้วยค่า WER 5.40%

อย่างไรก็ตาม มีรายงานตัวเลขที่แตกต่างกันเล็กน้อยใน blog ของ IBM ที่ระบุค่า WER ไว้ที่ 5.06% ซึ่งเป็นข้อมูลไม่เป็นทางการจากการทดสอบเฉพาะชุดทดสอบสาธารณะแบบสั้นเท่านั้น

ผลการทดสอบในแต่ละชุดมีความแตกต่างกันอย่างเห็นได้ชัด โดยโมเดลทำผลงานได้ดีเยี่ยมที่ 0.99% บน LibriSpeech Clean แต่กลับลดลงเหลือ 13.79% ในชุดการสนทนาส่วนตัว ส่วนในด้านการแปลเสียงเป็นภาษาอังกฤษ (X-to-English) สามารถทำค่า CoVoST BLEU ได้สูงสุด 53.6 ในภาษาโปรตุเกส

ด้านการรองรับคำเฉพาะ (Keyword biasing) พบว่ามีการพัฒนาแบบก้าวกระโดด โดยในชุดทดสอบ Earnings-22 ค่า keyword F1 พุ่งสูงขึ้นจาก 67.2 เป็น 90.1 เมื่อใช้รายการคำสำคัญที่ถูกต้อง

เปรียบเทียบกับโมเดล open ASR อื่นๆ

คุณสมบัติ	Granite Speech 5.0 2B	Qwen3-ASR-1.7B	Cohere Transcribe 03-2026	Canary-Qwen-2.5B
ขนาด	2B	2.35B (Hub count)	2.07B (Hub count)	2.5B
สัญญาอนุญาต	Apache 2.0	Apache 2.0	Apache 2.0 (gated)	CC-BY-4.0
ภาษา ASR	6	30 + 22 สำเนียงจีน	14	อังกฤษเท่านั้น
การแปลเสียงพูด	ใช่	ไม่ระบุ	ไม่ระบุ	ไม่
Open ASR avg WER*	5.68%	5.40%	5.77%	5.94%
Keyword biasing	สูงสุด 2,000 คำ	ไม่ระบุ	ไม่ระบุ	ไม่ระบุ
ความยาวเสียง	เซกเมนต์ละ ~2 นาที	รองรับเสียงยาว	ไม่ระบุ	สูงสุด 40 วินาที

*ข้อมูลอ้างอิงจาก Open ASR และ FFASR leaderboards เดือนตุลาคม 2026

การอัปเดตใน Turbo CTC และ 4.1 2B Plus

Granite Speech 5.0 Turbo CTC ยังคงขนาด 470M แต่เพิ่มความสามารถในการถอดความได้ 7 ภาษา พร้อมรองรับเครื่องหมายวรรคตอน โดย IBM ได้ปรับปรุงสแต็คการประมวลผลใหม่จนเพิ่ม throughput ได้สูงถึง 19,870 RTFx

ขณะที่ Granite Speech 4.1 2B Plus ได้รับการอัปเดตน้ำหนักโมเดลเพื่อลดค่าเฉลี่ยการเลื่อนของ timestamp ลงจาก 210.86 เหลือ 98.54 และปรับปรุงค่า long-form WER ให้ดีขึ้นอย่างชัดเจน

การนำไปใช้งานสำหรับนักพัฒนา

นักพัฒนาสามารถใช้งาน Granite Speech 5.0 2B ได้ผ่าน Transformers, vLLM, llama.cpp และ mlx-audio โดย IBM แนะนำให้ใช้รูปแบบ Q8_0 สำหรับ GGUF เนื่องจากความแม่นยำจะลดลงหากใช้การ quantization ที่บิตต่ำเกินไปกับไฟล์เสียงที่มีความยาวเกิน 1 นาที

ประเด็นสำคัญ

เป็นโมเดล open-weight ประสิทธิภาพสูงอันดับ 2 บน Open ASR Leaderboard
ใช้สัญญาอนุญาต Apache 2.0 รองรับการรันบนอุปกรณ์ที่หลากหลายทั้ง GPU, Mac และ CPU
มีจุดเด่นเรื่อง Keyword biasing ที่รองรับถึง 2,000 คำในทุกภาษา
แม้ IBM จะทำผลงานได้ดี แต่ Qwen3-ASR-1.7B ยังคงเป็นผู้นำในด้านความแม่นยำโดยรวม