Qué ha cambiado en la colección Granite Speech
IBM ha publicado tres movimientos dentro de su familia de modelos de voz. El primero es un modelo nuevo, granite-speech-5.0-2b, sucesor de granite-speech-4.1-2b con el mismo número de parámetros. Los otros dos son revisiones de modelos existentes: granite-speech-5.0-470m-turboctc y granite-speech-4.1-2b-plus. Los tres se distribuyen con licencia Apache 2.0 y soporte nativo en Transformers, según el anuncio de IBM.
La noticia no es un único avance, sino una especialización por caso de uso: precisión y control en un modelo, velocidad en otro y atribución de hablantes en el tercero. Para un negocio que convierte audio en texto, esa separación importa más que la cifra de parámetros.
Más control sobre el vocabulario y el idioma
El modelo 2B transcribe inglés, francés, alemán, español, portugués y japonés, y traduce desde y hacia el inglés en esos idiomas, además de inglés a italiano y mandarín. IBM lo entrenó con 390.000 horas de audio público y datos sintéticos orientados al reconocimiento en japonés, al sesgo por palabras clave y a la traducción.
Dos funciones resultan relevantes para procesos reales. La primera es el language ID prompting: indicar en la instrucción el idioma de entrada para orientar la transcripción multilingüe. La segunda es el sesgo por listas de hasta 2.000 términos, que permite empujar la transcripción y la traducción hacia nombres de producto, personas y siglas en todos los idiomas soportados. También admite pedir puntuación y mayúsculas en la instrucción; IBM sitúa la F1 de capitalización entre 89,7 y 99,5 en sus conjuntos de prueba.
Según el anuncio, el modelo ocupa el puesto 2 entre los principales modelos abiertos de reconocimiento de voz por error medio de palabra en inglés (5,06%), medido sobre los conjuntos públicos de la Open ASR Leaderboard. Es un dato del proveedor y se refiere a pruebas estandarizadas en inglés, no a una garantía de rendimiento en un caso concreto.
Velocidad en el borde y reuniones con varios hablantes
Turbo CTC mantiene su tamaño de 470 millones de parámetros y añade transcripción multilingüe (inglés, japonés, español, alemán, francés, italiano y portugués), puntuación y mayúsculas nativas, y mayor robustez ante reverberación y micrófonos lejanos. IBM afirma haber reducido el tiempo de calentamiento y alcanzado 19.870 RTFx en la Open ASR Leaderboard, frente a unos 12.600 en su lanzamiento: aproximadamente 1,6 veces más rápido con la misma precisión.
La revisión de granite-speech-4.1-2b-plus se centra en grabaciones de varios hablantes. Mantiene arquitectura, formato de instrucción y API, por lo que IBM lo presenta como reemplazo directo. Según sus métricas, el error de diarización por palabra baja un 7%, el desplazamiento medio de marcas temporales se reduce de 210,86 a 98,54, el error de palabra en conjuntos de habla larga cae del 13,53 al 10,22 y los errores en palabras sesgadas con listas de 20 términos pasan de 11,79 a 6,48. Son tasas de error: cuanto más bajas, mejor.
Qué comprobar antes de adoptarlo
El anuncio no detalla precios, disponibilidad en España ni condiciones de soporte comercial; lo publicado se refiere a modelos abiertos y a su uso en herramientas como Transformers, vLLM, llama.cpp o mlx-audio. Tampoco ofrece resultados independientes: las cifras proceden de IBM y de la Open ASR Leaderboard.
Antes de integrarlo, conviene probar el modelo con audio propio: llamadas reales, acentos del equipo, ruido de oficina y vocabulario interno. La lista de términos sesgados es una palanca útil, pero exige mantenimiento. Y la atribución de hablantes mejora según las métricas, no desaparece: en una transcripción de reunión seguirá habiendo margen de error que un revisor humano debe cubrir.
Un ejemplo hipotético: una llamada de soporte se transcribe con el modelo 2B, se sesga hacia nombres de producto y se envía al sistema de tickets con un resumen y los puntos pendientes; el agente revisa antes de responder. Es una posibilidad de proceso, no una función descrita por IBM.
Convierte tus llamadas en tareas dentro del sistema
Si tu equipo escucha grabaciones para extraer acuerdos, referencias o incidencias, el cuello de botella no está solo en transcribir: está en llevar cada resultado al CRM o al sistema de gestión sin copiar y pegar. En Wemvy integramos modelos de voz con tus herramientas y automatizamos el recorrido posterior: la transcripción se procesa, se extraen los datos acordados y el pendiente queda creado para que una persona lo revise.
Diseñamos la solución con un alcance cerrado y una prueba inicial sobre tus propios audios, para que veas cómo responde antes de extenderlo. Cuéntanos qué haces hoy con esas grabaciones y te proponemos por dónde empezar.
Fuente: huggingface.co
