IBM Granite Speech 5.0 470M TurboCTC
IBM · USA · 2026
IBM otworzył pokolenie 5.0 nie czatem, tylko maszyną do transkrypcji o 470 milionach parametrów, mieszczącą się w telefonie - i wydał ją dwa razy, na dwóch różnych licencjach.
Granite Speech 5.0 470M TurboCTC, opublikowany 25 sierpnia 2026 roku, jest pierwszym modelem wydanym przez IBM pod nazwą Granite 5.0 - i warto zauważyć, jakiego rodzaju to model. Nie flagowy model językowy, nie system rozumujący, tylko angielska maszyna do transkrypcji o 470 milionach parametrów, pomyślana do pracy na laptopach, telefonach i urządzeniach brzegowych. Model językowy znika tu całkowicie: podczas gdy Granite Speech 4.1 dokleja koder dźwięku do modelu językowego Granite, ten jest samym koderem konformerowym, który wypisuje tekst wprost, bez generowania token po tokenie. To właśnie daje mu szybkość. Konstrukcja jest podporządkowana przepustowości. Szesnaście bloków konformerowych, uwaga liczona w oknach po 128 ramek i ostre ośmiokrotne ściśnięcie czasu, które sprowadza strumień dźwięku ze stu do dwunastu i pół ramki na sekundę, zanim sieć wykona główną pracę. Dekodowanie jest nieautoregresyjne i zachłanne, więc nie ma ani przeszukiwania wiązką, ani generowania po kolei - cała wypowiedź jest odczytywana w jednym przebiegu. Uczenie zajęło dziesięć dni na ośmiu kartach H100, co jak na tę dziedzinę jest wartością bliską zeru. Najbardziej pouczające w tej premierze nie jest jednak nic w samym modelu, tylko sposób jego wydania. IBM opublikował tę samą konstrukcję dwa razy tego samego dnia. Ta wersja, uczona na 60 tysiącach godzin, ma czystą licencję Apache 2.0 i wolno jej używać komercyjnie. Bliźniak, granite-speech-5.0-470m-turboctc-nc, uczony był na 75 tysiącach godzin - dodatkowe 14 900 pochodzi ze zbiorów GigaSpeech i SPGI Speech - i ma licencję CC BY-NC-SA 4.0, która użytku komercyjnego zabrania. Licencję modelu mowy wyznacza licencja nagrań, których wysłuchał, a IBM zdecydował się ten koszt pokazać, zamiast po cichu ograniczyć wszystko. Dla polskiego czytelnika ograniczenie jest proste: model obsługuje wyłącznie angielski i producent nie deklaruje żadnego innego języka. Komu potrzeba innych, temu w rodzinie zostaje wielojęzyczny Granite Speech 4.1 2B.
▸Newsy
▸Wideo
Brak materiałów wideo.
▸Recenzje
Brak recenzji. Bądź pierwszy!