Granite Speech 5.0: modelos abiertos para transcribir y traducir audio

IBM ha publicado Granite Speech 5.0, una colección de modelos abiertos para transcribir, traducir y atribuir audio con más precisión y rapidez. Si trabajas con grabaciones, entrevistas o necesitas automatizar textos desde audio, esto te interesa. Más detalles en la fuente: Hugging Face.

Qué cambia

Hay tres novedades principales:

• Nuevo modelo granite-speech-5.0-2b: Transcribe y traduce inglés, francés, alemán, español, portugués y japonés. Traduce también entre inglés e italiano y mandarín. Mejora la precisión en ambientes ruidosos y con eco. Permite indicar el idioma en el promptEl texto con el que le pides algo a la IA. Ver la clase y usar listas de hasta 2.000 palabras clave para sesgar la transcripción o traducción. Puedes pedir puntuación y mayúsculas en el resultado. Ocupa el segundo puesto en precisión media en inglés entre los modelos abiertos evaluados públicamente (WER 5,06%).

• Actualización de granite-speech-5.0-470m-turboctc: Ahora transcribe en varios idiomas (los anteriores más italiano), añade puntuación y mayúsculas nativas, y es más robusto en salas con eco o grabaciones lejanas. Es más rápido que antes (1,6 veces más en las pruebas públicas) y pensado para uso en dispositivos o donde prima la velocidad.

• Actualización de granite-speech-4.1-2b-plus: Mejor en atribuir quién habla y cuándo. Reduce errores en la identificación de hablantes y en las marcas de tiempo. Mejora la transcripción de audios largos y reduce errores en palabras clave.

Todos los modelos se publican bajo licencia Apache 2.0 y funcionan en Transformers, vLLM, llama.cpp y mlx-audio para Apple Silicon.

Para quién es

• Si tienes que transcribir reuniones, entrevistas o llamadas con varios hablantes.
• Si necesitas traducir audios largos o conversaciones, no solo frases sueltas.
• Si automatizas tareas de SEO o creación de contenido a partir de audio.
• Si buscas integrar transcripción rápida en webs, apps o dispositivos propios.

Pruébalo

1. Ve a Hugging Face.
2. Elige el modelo que se ajusta a tu caso (consulta la tabla comparativa en la fuente).
3. Descarga el modelo desde Hugging Face. Necesitas cuenta gratuita.
4. Usa Transformers, vLLM, llama.cpp o mlx-audio para probarlo en tu entorno. Hay ejemplos y documentación en cada modelo.
5. Si quieres probar la transcripción rápida en navegador, busca el demo WebGPU de Turbo CTC en la página del modelo.

Fuente: Hugging Face.