IBM于10月22日发布开源语音语言模型Granite Speech 5.0 2B，可在6种语言间完成语音转写与翻译，以Apache 2.0许可发布；同时更新的还有面向边缘设备的Turbo CTC和面向说话人分离的4.1 2B Plus。同日，IBM推出Granite时间序列集成预测方案，中国电信人工智能科技有限公司星辰通用人工智能实验室开源意图理解模型Xing4.0-29B-Intent。
据MarkTechPost报道，Granite Speech 5.0 2B为2B参数稠密模型，语音编码器为16层Conformer，以CTC训练并按4秒音频块做注意力；2层window q-former将声学嵌入降采样10倍后以10Hz送入语言模型，语言模型取自granite-4.0-1b-base的中间检查点，经YaRN扩展至16k位置并用LoRA微调。训练使用39万小时公开音频与合成数据，在8块H100上耗时40天，IBM建议单段音频控制在约2分钟以内。
相比4.1 2B，新版本支持在提示中指定输入语种，关键词列表最多2000条，可按需输出标点与大小写，各测试集大小写F1在90.16至99.51之间，并提升了对噪声、混响与远场麦克风的鲁棒性。
在Open ASR排行榜上，IBM模型卡图表给出的英语平均词错率为5.68%，在开源权重模型中列第二，仅Qwen3-ASR-1.7B的5.40%更低。此处存在来源差异：IBM博客给出的数字是5.06%，属非官方口径，日期为10月15日，且仅平均公开短音频测试集。分项成绩跨度较大，LibriSpeech Clean为0.99%，LibriSpeech Other为2.21%，私有对话集为13.79%；噪声场景FFASR榜单上，其以14.80%的平均词错率在42个模型中排第四，Qwen3-ASR-1.7B为13.41%。CommonVoice词错率葡萄牙语为2.60%、西班牙语为3.50%，日语最弱，为10.74%。关键词偏置增益最明显，在Earnings-22上关键词F1由67.2升至90.1。
Turbo CTC维持4.7亿参数规模，转写语言增至7种并原生支持标点与大小写，IBM将单个Conformer块编译后在堆叠中复用同一计算图，吞吐升至19870 RTFx，发布时约为12600。4.1 2B Plus为权重直接替换，平均时间戳偏移由210.86降至98.54，长音频词错率由13.53降至10.22。模型可通过Transformers、vLLM、llama.cpp与mlx-audio部署，GGUF格式建议使用Q8_0，更低比特量化在超过约1分钟的音频上会损失精度。
据Hugging Face博客介绍，Granite时间序列集成方案把PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1与TTM-r3四款架构不同的模型并入一个预测接口，无需重训练，也不拟合集成权重，直接输出中位数与分位数预测。默认方案对各成员做等权概率池化，可选的IQR集成按预测区间宽度分配权重，并提供向均匀权重回退的温度参数与单成员权重上限。
据量子位报道，Xing4.0-29B-Intent基于星辰Xing4.0-29B-A4B微调，把意图识别与参数抽取合并，按“类别＋参数”的层级结构输出JSON，支持一句话包含多意图、多参数与多实体，平均输出数十个token，完整结果响应时延在百毫秒级。该实验室称，在从48个中英文公开数据集抽取6000题的评测中，模型总分58，高于参评18款通用模型的最高分49；在5606道类别决策题上总决策分70，Jev为56，GPT-6-Luna为65，评测由该公司技术团队自行开展。此次开源包含275.3万条监督微调语料、模型权重与推理镜像，代码以Apache 2.0许可发布，模型已在电信万号客服的工单路由与智能家居音箱的口语指令解析中应用。