Granite Speech 5.0 अधिक सटीक और तेज़ प्रतिलेखन, अनुवाद और श्रेय की अनुमति देता है।
IBM Granite Speech 5.0 अपाचे 2.0 के तहत सटीक बहुभाषी प्रतिलेखन, तेज Turbo CTC और बेहतर वक्ता श्रेय जोड़ता है।
मुख्य जानकारी
- IBM ने तीन Granite Speech मॉडल जारी किएः सटीक बहुभाषी प्रतिलेखन और अनुवाद के लिए ग्रेनाइट-स्पीच- 5.0 - 2 बी, तेज किनारे प्रसंस्करण के लिए ग्रैनिट स्पीच- 4.1 - 470 एम-टर्बोक्टसी, और स्पीकर-जागरूक लंबी बैठकों या कॉल के लिए ग्राइनेट-स्पिच -2 बी प्लस।
- ग्रेनाइट-स्पीच5.0-2बी अंग्रेजी शोर की मजबूती में सुधार करता है, भाषा संकेतों का समर्थन करता है 2,000 तक कीवर्ड शब्द और स्वरूपित आउटपुट के साथ रिपोर्ट किए गए औसत English WER 5.06% पर Open ASR Leaderboard।
- granite-speech-5.0-470m-turboctc बहुभाषी प्रतिलेखन और देशी विराम चिह्न / पूंजीकरण जोड़ता है जबकि थ्रूपुट को बढ़ाकर 19,870 आरटीएफएक्स, अपने लॉन्च संस्करण की तुलना में लगभग 1.6 गुना तेज करता है।
- ग्रेनाइट-स्पीच-4.1-2बी-प्लस एक ड्रॉप-इन अपग्रेड है जो स्पीकर एट्रिब्यूशन, टाइमस्टैम्प्स और लॉन्ग फॉर्म ट्रांसक्रिप्शन में सुधार करता है, जिससे लंबे फॉर्म के WER को 24% तक काटा जा सकता है।
- सभी तीन मॉडल अपाचे 2.0 लाइसेंस प्राप्त हैं, Transformers में समर्थित है और IBM उत्पादन जोखिम का पता लगाने के लिए उन्हें Granite Guardian के साथ जोड़ने की सिफारिश करता है।
IBM ने अपने Granite Speech संग्रह के लिए तीन अपडेट जारी किए हैं: ग्रेनाइट-स्पीच-5.0-2b, एक संशोधित ग्रेनेटा स्पीच- 5.0 -470m-टर्बोक्टेक और एक अद्यतन ग्रैनेट-स्पिच- 4.1 -2 बी-प्लस। यह अपडेट स्वचालित speech recognition सिस्टम बनाने वाली टीमों के लिए सबसे अधिक मायने रखता है, क्योंकि तीन मॉडल काम को सटीक प्रतिलेखन और अनुवाद, तेज किनारे प्रसंस्करण और लंबी बैठकों या समर्थन कॉल के वक्ता-जागरूक प्रबंधन में विभाजित करते हैं। मॉडल अपाचे 2.0 लाइसेंस के तहत जारी किए गए हैं, और मुख्य मॉडल के बेंचमार्क आंकड़े 21 अक्टूबर 2026 से दिनांकित हैं।
ग्रेनाइट-स्पीच5.0-2b लक्ष्य सटीकता और भाषा नियंत्रण
यह मॉडल ग्रेनाइट-स्पीच4.1-2b को उसी 2B पैरामीटर गिनती पर सफल बनाता है। इसमें अंग्रेजी, फ्रेंच, जर्मन, स्पेनिश, पुर्तगाली और जापानी में ट्रांसक्रिप्शन शामिल हैं। अनुवाद के लिए, यह उन भाषाओं को इंग्लिश से लेकर इतालवी और मंदारिन तक संभालता है। इस मॉडल को 390,000 घंटे के सार्वजनिक ऑडियो पर प्रशिक्षित किया गया था, जिसमें जापानी स्वचालित speech recognition, कीवर्ड बायसिंग और अनुवाद के लिये सिंथेटिक डेटा बनाया गया था।
पहले के 4.1 2B भाषण मॉडल की तुलना में, अद्यतन पांच व्यावहारिक परिवर्तन जोड़ता है। अंग्रेजी प्रतिलेखन को लघु-रूप बेंचमार्क पर अधिक सटीक और शोर, गूंज और दूर-माइक्रोफोन भाषण के लिए अधिक लचीला बताया गया है। उपयोगकर्ता बहुभाषी ट्रांसक्रिप्शन को चलाने के लिए प्रॉम्प्ट में इनपुट भाषा का नाम भी दे सकते हैं। अनुवाद गुणवत्ता का उद्देश्य लंबे समय तक, अधिक प्राकृतिक वार्तालाप ऑडियो है, न कि केवल छोटे वाक्यांशों को पढ़ना। कुंजीशब्द सूचियों में 2,000 शब्द शामिल हो सकते हैं, प्रत्येक समर्थित भाषा में उत्पाद नाम, लोगों और संक्षिप्त शब्दों की ओर प्रतिलिपि और अनुवाद पक्षपात करते हुए। अंत में, विराम चिह्न और पूंजीकरण के साथ स्वरूपित आउटपुट को प्रोमोट में अनुरोध किया जा सकता है; कैपिटल F1 स्कोर, जो परिशुद्धता और रिकॉल को संतुलित करता है, रिलीज़ टेस्ट के लिए उपयोग किए जाने वाले सेट से लेकर 89.7 99.5 तक होता है।
मॉडल Transformers, vLLM, llama.cpp और mlx-audio के लिए समर्थन के साथ अपाचे 2.0 में उपलब्ध है। रिलीज 21 अक्टूबर को आधिकारिक Open ASR Leaderboard परिणामों का हवाला देता हैः ग्रेनाइट स्पीच 5.0 - 2 बी रैंक ।#2शीर्ष ओपन-वेट स्वचालित speech recognition मॉडल के बीच औसत अंग्रेजी शब्द त्रुटि दर (डब्ल्यूईआर), 5.06% के साथ। डब्लूईआर एक त्रुटि दर है, इसलिए कम बेहतर है।
Turbo CTC बहुभाषी कार्य और तेजी से थ्रूपुट जोड़ता है
granite-speech-5.0-470m-turboctc पहली बार अगस्त में एक अंग्रेजी-केवल, 470M-पैरामीटर एन्कोडर के रूप में दिखाई दिया जो गति के लिए बनाया गया था। संशोधित संस्करण उस आकार को रखता है जबकि बहुभाषी प्रतिलेखन, देशी स्वरूपण और उपयोगकर्ता द्वारा अनुरोधित मजबूती जोड़ता है। यह अब अंग्रेजी, जापानी, स्पेनिश, जर्मन, फ्रेंच, इतालवी और पुर्तगाली का अनुवाद करता है। ट्रांसक्रिप्ट पहले से ही विराम चिह्न और पूंजीकरण के साथ आते हैं, अलग विरामचिन्ह या ट्रूकासिंग चरण की आवश्यकता को दूर करते हुए। विज्ञप्ति में कहा गया है कि प्रशिक्षण भी गूंजने वाले ऑडियो को लक्षित करता है, ईकोय रूम और सुदूर क्षेत्र रिकॉर्डिंग में व्यवहार में सुधार होता है।
गति लाभ एक एकल अनुरूपक ब्लॉक को संकलित करने और स्टैक में अपने ग्राफ का पुनः उपयोग करने से आता है, जो वार्मअप समय को कम करता है। Open ASR Leaderboard पर, संशोधित मॉडल 19,870 आरटीएफएक्स तक पहुंचता है, लॉन्च के दौरान लगभग 12,600 RTFx से ऊपर। यह सटीकता के समान स्तर पर लगभग 1.6 गुना तेज है। आरटीएफ़एक्स एक थ्रूपुट मीट्रिक है, और उच्च मूल्य बेहतर हैं। चार्ट नौ सार्वजनिक अंग्रेजी लघु-प्रपत्र परीक्षण सेटों पर RTFX के खिलाफ औसत WER का उपयोग करता है, जिसके परिणाम अक्टूबर 2026 दिनांकित हैं।
ग्रेनाइट-स्पीच-4.1-2b-प्लस इस बात पर ध्यान केंद्रित करता है कि किसने और कब बोला
अपडेटेड ग्रेनाइट-स्पीच-4.1-2बी-प्लस का उद्देश्य रिकॉर्डिंग है जहां स्पीकर की पहचान और समय मायने रखता हैः लंबी अवधि में कई वक्ताओं के साथ बैठकें, समर्थन कॉल और साक्षात्कार। यह 4.1 नाम रखता है क्योंकि वास्तुकला, प्रॉम्प्ट प्रारूप और API अपरिवर्तित हैं। जो इसे बेहतर वजन वाले वर्तमान मॉडल के लिए एक ड्रॉप-इन प्रतिस्थापन बनाता है।
संशोधन चार क्षेत्रों में सुधार करता है। स्पीकर एट्रिब्यूशन अधिक सटीक होता है, जिसमें शब्द डायरीकरण त्रुटि दर (डब्ल्यूडीईआर) गिरती है Granite Speech और कुल मिलाकर स्पीकर-एट्रीब्यूटेड डब्लूईआर (सीपीडब्ल्यूपीआर) गिरावट आती है 5.0 । टाइमस्टैम्प की गुणवत्ता बेहतर होती है क्योंकि औसत टाइमस्टैंप शिफ्ट (एएएस) को आधे से अधिक कम किया जाता है, जिससे कैप्शन, खोज और समीक्षा में मदद मिलती है। लंबे फॉर्म ट्रांसक्रिप्शन मजबूत हो जाते हैं, WER के साथ लंबे फॉर्म टेस्ट सेटों में गिरावट आई है 4.1। 20-अवधि कीवर्ड सूचियों का उपयोग करते समय कुंजीशब्द पूर्वाग्रह भी सुधरता हैः पक्षपातपूर्ण कीवर्ड पर त्रुटियां घट जाती हैं 2,000। अन्य मॉडलों की तरह, ये सभी मीट्रिक त्रुटि दरें हैं, इसलिए निचले मूल्य बेहतर होते हैं।
मॉडल चयन और अगले कदम
लाइनअप टीमों को एक स्पष्ट चयन पथ देता है। जब उच्च प्रतिलेखन सटीकता, अनुवाद या बड़ी कीवर्ड सूचियां मायने रखती हैं तो ग्रेनाइट-स्पीच-5.0-2b का उपयोग करें। जब कच्ची गति या ऑन-डिवाइस ट्रांसक्रिप्शन प्राथमिकता होती है, तो ग्रैनिट-स्पिच- 5.0-470m-turboctc का प्रयोग करें और इसे IBM s WebGPU स्ट्रीमिंग डेमो के साथ ब्राउज़र में आज़माएं। मीटिंग्स या मल्टी स्पीकर कॉल के लिए जहां लेबल और टाइमिंग केंद्रीय होते हैं, वहां ग्रेनाईट-स्पिक-4.1-2b-प्लस का इस्तेमाल करें।
सभी तीन मॉडल अपाचे 2.0 लाइसेंस प्राप्त हैं और Transformers में देशी समर्थन है। प्रत्येक मॉडल कार्ड पर पूर्ण मूल्यांकन परिणाम, आर्किटेक्चर विवरण, training data और उपयोग के उदाहरण प्रकाशित किए गए हैं। IBM इन भाषण मॉडलों को उत्पादन तैनाती के लिए जोड़ने की सिफारिश करता है जिन्हें अतिरिक्त जोखिम का पता लगाने की आवश्यकता होती है।
| मॉडल | शक्ति | प्रमुख आंकड़ा |
|---|---|---|
| ग्रेनाइट भाषण-5.0-2b | सटीक प्रतिलेखन, अनुवाद और कीवर्ड नियंत्रण | Average English WER 5.06%; कीवर्ड सूची 2,000 तक के शब्द |
| ग्रेनाइट-भाषण-5.0-470m-टर्बोक्टक | किनारे के काम के लिए त्वरित, बहुभाषी प्रतिलेखन | 19,870 आरटीएफएक्स पर Open ASR Leaderboard |
| ग्रेनाइट स्पीच-4.1-2 बी प्लस | वक्ता का श्रेय, टाइमस्टैम्प और लंबा भाषण | 24% लोअर लॉन्ग-फॉर्म WER |

Comments (0)