IBM renueva su familia Granite Speech con tres modelos más rápidos y precisos para transcribir y traducir voz
La nueva versión incluye un modelo capaz de transcribir en seis idiomas con mayor resistencia al ruido, otro que alcanza velocidades récord en dispositivos pequeños, y una tercera opción especializada en reuniones con varios participantes.
IBM lanzó tres modelos de reconocimiento de voz actualizados: granite-speech-5.0-2b, que transcribe y traduce en seis idiomas con mayor precisión ante ruido; granite-speech-5.0-470m-turboctc, que alcanza velocidades récord en dispositivos pequeños y ahora soporta siete idiomas; y granite-speech-4.1-2b-plus, especializado en identificar quién habla en reuniones multipersonales con marcas de tiempo más precisas.
IBM acaba de actualizar su colección Granite Speech con tres modelos de reconocimiento de voz diseñados para cubrir distintas necesidades empresariales. El nuevo granite-speech-5.0-2b (un modelo de inteligencia artificial que convierte audio en texto) transcribe en inglés, francés, alemán, español, portugués y japonés, y traduce entre esos idiomas y el inglés, además de traducir del inglés al italiano y al mandarín. Fue entrenado con 390.000 horas de audio público y datos sintéticos creados específicamente para mejorar su rendimiento en japonés, palabras clave y traducción.
Entre las novedades más destacadas está la posibilidad de añadir listas de hasta 2.000 términos clave (nombres de productos, personas o siglas) para que el modelo priorice esas palabras al transcribir, una función útil en contextos empresariales donde aparecen vocabularios técnicos específicos. También permite indicar en el prompt (la instrucción de texto que se le da al modelo) qué idioma se está hablando, y solicitar que el resultado incluya puntuación y mayúsculas, algo que antes requería un paso adicional de procesamiento. La precisión en inglés ha mejorado en grabaciones con ruido de fondo, eco o micrófonos lejanos, según informó IBM en su blog oficial.
La versión actualizada de granite-speech-5.0-470m-turboctc (un modelo mucho más pequeño, de 470 millones de parámetros, pensado para ejecutarse en dispositivos sin conexión a internet) ahora transcribe en siete idiomas en lugar de solo inglés, incluye puntuación y mayúsculas de forma nativa, y alcanza una velocidad de 19.870 RTFx (una métrica que mide cuántas veces más rápido que el tiempo real puede procesar audio; cuanto mayor, más rápido). Eso lo convierte en uno de los modelos de transcripción de código abierto más veloces disponibles, ideal para aplicaciones donde la latencia es crítica, como subtitulado en directo o asistentes de voz en teléfonos o portátiles.
El tercer modelo, granite-speech-4.1-2b-plus, está optimizado para grabaciones con varios hablantes, como reuniones o llamadas de atención al cliente. Esta revisión reduce en un 7% los errores al identificar quién habla en cada momento (un proceso llamado diarización de hablantes), recorta a más de la mitad el error promedio en las marcas de tiempo de cada palabra, y baja un 24% la tasa de errores en transcripciones largas. También mejora la precisión con listas de palabras clave, reduciendo los fallos en esos términos un 45% cuando se usan listas de 20 palabras.
Los tres modelos están disponibles bajo licencia Apache 2.0 (una licencia de código abierto que permite usarlos libremente, incluso en productos comerciales) y son compatibles con herramientas populares como Transformers (una biblioteca de código abierto de Hugging Face, la plataforma donde desarrolladores comparten modelos de IA), vLLM (un framework para acelerar la ejecución de modelos de lenguaje), llama.cpp (una biblioteca para ejecutar modelos en CPUs, procesadores normales de ordenador) y mlx-audio (una herramienta específica para chips de Apple). IBM recomienda combinarlos con Granite Guardian, otro de sus modelos diseñado para detectar riesgos de seguridad en producción, cuando se despliegan en entornos empresariales.
