IBM Granite Speech 4.1 2B

Granite Speech 4.1 2B, opublikowany 29 kwietnia 2026 roku, zamienia mowę na tekst i tłumaczy ją w obie strony między angielskim, francuskim, niemieckim, hiszpańskim, portugalskim i japońskim. Uczono go na 174 tysiącach godzin nagrań z publicznych zbiorów oraz na materiale syntetycznym przygotowanym pod japoński, rozpoznawanie podpowiadane słowami kluczowymi i tłumaczenie. Całość na licencji Apache 2.0, bez wyłączenia terytorialnego i bez bramki rejestracyjnej. Nazewnictwo wymaga ostrzeżenia, bo należy do rzeczy, które wprowadzają kupującego w błąd. Ten model jest następcą modelu granite-4.0-1b-speech i ma dokładnie tyle samo parametrów. IBM zmienił konwencję: liczba opisuje teraz rzeczywisty rozmiar gotowego układu, czyli 2,3 miliarda parametrów, a nie modelu językowego, na którym go zbudowano. Nic się nie podwoiło. Podwoiła się tylko etykieta. To, co faktycznie się poprawiło, jest warte więcej niż ta liczba. Koder prowadzi teraz dwie warstwy rozpoznające naraz - jedną na znakach, drugą na podsłowach tokenizatora - a jedna zmiana w poleceniu każe modelowi dopisać interpunkcję i wielkie litery. Brzmi to kosmetycznie, dopóki nie użyje się wyniku: przy niemieckim, gdzie rzeczowniki pisze się wielką literą, model osiąga 99,5 w mierze poprawności wielkich liter, a transkrypcja, która ma już przecinki i kropki, nie potrzebuje drugiego modelu do posprzątania. Podpowiadanie słowami kluczowymi pozwala podać przed transkrypcją listę nazwisk, skrótów albo oznaczeń produktów - czyli dokładnie to, na czym ogólne rozpoznawacze mowy zwykle się wykładają. Jeden fakt mówi o rynku więcej niż jakikolwiek test. Ten model pobierany jest około 279 tysięcy razy miesięcznie - częściej niż którykolwiek model językowy IBM poza flagowcem 8B i ponad dwa razy częściej niż jego bliźniak od obrazu. To wyspecjalizowana maszyna do transkrypcji, a nie czat, jest tym, co ludzie faktycznie uruchamiają. Dla polskiego czytelnika ograniczenie jest twarde: polskiego nie ma wśród sześciu obsługiwanych języków i IBM niczego o nim nie deklaruje. Do węższych zadań istnieją dwie odmiany - wersja plus, która oznacza, kto mówi, i dokłada znaczniki czasu przy każdym słowie, oraz wersja nieautoregresyjna, zbudowana pod przepustowość.

▸Wideo

Brak materiałów wideo.

▸Recenzje