IBM lança três novos modelos de IA para transcrever e traduzir áudio com mais precisão
A coleção Granite Speech 5.0 traz modelos especializados em transcrição multilíngue de alta qualidade, processamento ultrarrápido em dispositivos móveis e identificação de quem falou o quê em reuniões e ligações
A IBM lançou três modelos de IA especializados em áudio: o granite-speech-5.0-2b (um modelo de linguagem que transcreve e traduz fala em seis idiomas com alta precisão), o granite-speech-5.0-470m-turboctc (um modelo menor e ultrarrápido, agora multilíngue, feito para rodar em dispositivos móveis) e o granite-speech-4.1-2b-plus (focado em identificar quem falou e quando em gravações com várias pessoas, como reuniões).
A IBM atualizou sua família de modelos de inteligência artificial voltados para áudio, lançando o Granite Speech 5.0 — uma coleção de três modelos especializados em diferentes tipos de trabalho com voz. O destaque é o granite-speech-5.0-2b (um modelo de linguagem que transcreve e traduz áudio, com 2 bilhões de parâmetros, as variáveis internas que definem o comportamento de uma IA), que agora reconhece fala em seis idiomas — inglês, francês, alemão, espanhol, português e japonês — e traduz entre eles, segundo informou a Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados).
O novo modelo foi treinado com 390 mil horas de áudio público e dados sintéticos criados especialmente para melhorar o desempenho em japonês e em situações práticas, como transcrições que precisam reconhecer até 2 mil palavras-chave específicas — útil para captar nomes de produtos, pessoas ou siglas em gravações corporativas. Ele também ganhou um recurso que permite ao usuário indicar qual o idioma falado no áudio, direcionando a transcrição, e passou a lidar melhor com ruído de fundo, reverberação (eco em ambientes fechados) e gravações feitas com microfone distante. Em testes independentes, o modelo ficou em segundo lugar entre os principais modelos de código aberto em precisão para inglês, com taxa de erro de 5,06%.
A IBM também revisou o granite-speech-5.0-470m-turboctc (um modelo menor, de 470 milhões de parâmetros, projetado para rodar rápido mesmo em dispositivos com pouca capacidade de processamento). Ele agora transcreve em sete idiomas, adiciona pontuação e letras maiúsculas automaticamente — antes era necessária uma etapa adicional de formatação — e também ficou mais resistente a condições acústicas ruins. A velocidade subiu 60%: em benchmarks (testes padronizados de desempenho), ele processa áudio quase 20 mil vezes mais rápido que o tempo real, o que significa transcrever uma hora de fala em frações de segundo.
O terceiro modelo atualizado é o granite-speech-4.1-2b-plus, voltado para cenários em que importa saber quem disse o quê e quando — reuniões, atendimentos ao cliente, entrevistas. Ele manteve a mesma arquitetura da versão anterior, mas os pesos (os valores numéricos ajustados durante o treinamento que definem como o modelo responde) foram refinados. O resultado: a taxa de erro ao identificar quem está falando caiu 7%, a precisão das marcações de tempo melhorou mais de 50%, e o desempenho em gravações longas avançou 24%. Quando alimentado com listas de até 20 palavras-chave para priorizar, o modelo reduziu os erros nessas palavras em 45%.
Os três modelos foram liberados sob licença Apache 2.0 (uma licença de código aberto que permite uso comercial sem restrições) e já funcionam com ferramentas populares como Transformers (uma biblioteca de código aberto para trabalhar com modelos de linguagem), vLLM (um framework de inferência, isto é, de execução de modelos já treinados, otimizado para velocidade) e llama.cpp (um software que permite rodar modelos em computadores comuns, sem necessidade de hardware especializado). A IBM recomenda combiná-los com o Granite Guardian (outro modelo da empresa, focado em detectar riscos e conteúdo inadequado) em ambientes de produção.
