概览
Granite Speech 5.0 2B 是 IBM 在 2026 年 10 月 20 日发布、21 日在 Hugging Face 博客正式介绍的开源语音语言模型，是 granite-speech-4.1-2b 的继任者，参数量不变。它不是通用对话模型，定位很窄：企业场景下的高精度转写和语音翻译。识别覆盖英、法、德、西、葡、日六种语言，翻译可在这些语言和英语之间双向进行，另外支持英语译成意大利语和中文——也就是说中文只能作为翻译目标，不能直接识别中文语音。相比 4.1，官方列出的改进有：英语识别更准、对噪声和混响更稳；可以在提示词里指定输入语种；热词表最多可放 2,000 个词；长音频和对话类翻译更稳；按提示输出带标点和大小写的文本。官方给出的成绩是 Open ASR Leaderboard 英语短音频平均 WER 5.06%，在开源权重 ASR 模型中排第二。同批更新的还有多语种化的 granite-speech-5.0-470m-turboctc（高吞吐、端侧转写）和改进说话人区分的 granite-speech-4.1-2b-plus。成绩与排名均为官方说法。官方来源：https://huggingface.co/ibm-granite/granite-speech-5.0-2b 、https://huggingface.co/blog/ibm-granite/granite-speech-5 （2026-10-23 核对）。 定价：开源权重（Apache 2.0），可免费下载自托管；IBM 未公布该模型的托管 API 价格。
- 模态
- 音频
- 参数量
- 2B
- 许可说明
- 开源 · Apache 2.0
能力
- 语音识别（ASR）：英语、法语、德语、西班牙语、葡萄牙语、日语
- 语音翻译（AST）：上述语言与英语双向互译，另支持英语 → 意大利语、英语 → 中文
- 语种提示：在提示词里写明输入语种，引导多语种转写
- 热词偏置：转写和翻译都可以传入最多 2,000 个词的关键词表（产品名、人名、缩写），所有支持语种可用
- 标点与大小写：在提示词里要求即可输出带标点和大小写的文本，官方测试集上大小写 F1 为 89.7–99.5
- 英语识别：官方称在 Open ASR Leaderboard 英语短音频测试集上平均 WER 5.06%，开源权重 ASR 模型中排第 2（截至 2026-10-21），对噪声、混响和远场语音更稳
- 训练数据：39 万小时公开语料音频，外加针对日语识别、热词和翻译构造的合成数据；由 granite-4.0-1b-base 的中间检查点做语音模态对齐得到
- 部署：Transformers、vLLM、llama.cpp（官方提供 GGUF）、mlx-audio（Apple Silicon）