据 Hugging Face 博客发布的文章，IBM 于 2026 年 10 月 21 日更新 Granite Speech 系列，推出新模型 granite-speech-5.0-2b，并发布 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus 的修订版本，覆盖高精度多语种转写与翻译、边缘高速转写以及多说话人录音处理。
据文章介绍，granite-speech-5.0-2b 是 granite-speech-4.1-2b 的后续版本，参数量相同。它可转写英语、法语、德语、西班牙语、葡萄牙语和日语，并在这些语言与英语之间进行翻译，还支持英语翻译为意大利语和普通话。模型使用 39 万小时公开音频训练，并加入为日语 ASR、关键词偏置和翻译构建的合成数据。
与 4.1 2B 版本相比，新模型提升了英语短音频基准准确率，并改善对噪声、混响和远场麦克风语音的处理；用户可在提示中指定输入语言以引导多语种转写；长音频和对话式语音的翻译表现更稳定；关键词列表最多支持 2000 个词，可在所有支持语言中偏向产品名、人名和缩略语；还可按提示输出标点和大小写，文章称其测试集上的大小写 F1 在 89.7 至 99.5 之间。该模型以 Apache 2.0 许可发布，支持 Transformers、vLLM、llama.cpp 以及面向 Apple Silicon 的 mlx-audio。文章列出的图表显示，在 Open ASR Leaderboard 公开英语短音频测试集上，该模型平均英语 WER 为 5.06%，在开源权重 ASR 模型中排名第二；该结果截至 2026 年 10 月 15 日为非官方统计。
更新后的 granite-speech-5.0-470m-turboctc 保留 4.7 亿参数编码器规模，新增英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语的转写能力，并原生输出标点和大小写，无需额外的标点或真大小写处理步骤。文章称，该版本针对混响音频训练，在回声房间和远场录音中更稳健；通过编译单个 Conformer 块并在整个堆栈中复用计算图，其预热时间缩短，在 Open ASR Leaderboard 上达到 19870 RTFx，高于发布时约 12600 RTFx，提升约 1.6 倍，准确率保持不变。
granite-speech-4.1-2b-plus 的更新面向会议、客服通话和多人长时采访等企业录音。由于架构、提示格式和 API 未变，它可直接替换现有模型。文章称，该版本的说话人归属更准确，词级分离错误率 WDER 下降 7%，说话人归属转写错误率 cpWER 下降 7%；时间戳平均偏移 AAS 从 210.86 降至 98.54，短语音场景从 29.27 降至 26.20；长音频测试集 WER 从 13.53 降至 10.22；使用 20 词关键词列表时，偏置关键词错误率从 11.79 降至 6.48。文章称这些指标均为错误率，数值越低越好。