IBM Granite Speech 5.0: transcripción precisa y open source

Qué anunció IBM con Granite Speech 5.0

IBM renovó su colección Granite Speech con un lanzamiento triple: un modelo nuevo, granite-speech-5.0-2b, y versiones revisadas de dos modelos que la comunidad ya usaba, granite-speech-5.0-470m-turboctc y granite-speech-4.1-2b-plus. Los tres se publican bajo licencia Apache 2.0, con soporte nativo en Transformers, vLLM, llama.cpp y mlx-audio para Apple Silicon.

La lógica del paquete es clara: en lugar de un modelo que hace todo a medias, IBM cubre tres escenarios de trabajo de voz empresarial — transcripción y traducción de alta precisión, transcripción ultrarrápida en el borde, y grabaciones donde importa quién habló y cuándo.

Para un founder, el punto relevante no es el benchmark. Es que la transcripción dejó de ser un servicio que se paga por minuto y se convirtió en una pieza de infraestructura que puedes correr tú mismo.

Los tres modelos, uno por uno

granite-speech-5.0-2b: precisión y traducción

Es el sucesor de granite-speech-4.1-2b con el mismo número de parámetros. Transcribe inglés, francés, alemán, español, portugués y japonés, y traduce desde y hacia el inglés en esos idiomas, más inglés a italiano y mandarín. Se entrenó con 390.000 horas de audio público más datos sintéticos generados para ASR en japonés, sesgo por palabras clave y traducción.

Lo nuevo frente al 4.1:

• Prompt de identificación de idioma: nombras el idioma de entrada en el prompt y el modelo ajusta la transcripción multilingüe.
• Listas de hasta 2.000 términos para sesgar la transcripción y la traducción hacia nombres de producto, personas y siglas, en todos los idiomas soportados.
• Puntuación y mayúsculas a pedido: la F1 de capitalización va de 89,7 a 99,5 en los sets de prueba de IBM.
• Mejor manejo de ruido, reverberación y micrófonos lejanos.

En el Open ASR Leaderboard, IBM reporta que el modelo queda #2 entre los principales modelos ASR de pesos abiertos con un WER promedio en inglés de 5,06%. IBM aclara que los resultados son no oficiales, al 15 de octubre de 2026, y promediados sobre los sets públicos de inglés de formato corto del leaderboard.

granite-speech-5.0-470m-turboctc: velocidad

Cuando IBM presentó Turbo CTC en agosto, era un encoder de 470 millones de parámetros solo para inglés, construido para velocidad. Esta revisión mantiene el tamaño y suma lo que los usuarios pidieron: transcripción multilingüe (inglés, japonés, español, alemán, francés, italiano y portugués), puntuación y mayúsculas nativas —sin paso separado de truecasing— y más robustez en salas con eco y grabaciones de campo lejano.

También es más rápido. Compilando un solo bloque Conformer y reutilizando su grafo en todo el stack, IBM recortó el tiempo de calentamiento y llevó Turbo CTC a 19.870 RTFx en el Open ASR Leaderboard, contra unos 12.600 RTFx en el lanzamiento: cerca de 1,6 veces más rápido, con el mismo nivel de precisión.

granite-speech-4.1-2b-plus: reuniones y llamadas

Este es el modelo para las grabaciones que las empresas realmente tienen: reuniones, llamadas de soporte y entrevistas con varios hablantes durante mucho tiempo. Mantiene el nombre 4.1 porque la arquitectura, el formato de prompt y la API no cambian: es un reemplazo directo con pesos mejorados.

Las mejoras, según la tabla de IBM:

• Atribución de hablante: el WDER baja de 4,40 a 4,10 y el cpWER de 30,50 a 28,48.
• Timestamps: el desplazamiento promedio (AAS) cae de 210,86 a 98,54 en todo tipo de habla, más de la mitad.
• Habla larga: el WER en sets de formato largo baja de 13,53 a 10,22, un 24% menos.
• Sesgo por palabras clave: el WER de palabras sesgadas con listas de 20 términos cae de 11,79 a 6,48, un 45% menos de errores.

¿Cómo se compara con el resto del mercado abierto?

El espacio de ASR abierto se movió fuerte este año. TII publicó Falcon-ASR, un modelo de 1,6B centrado en árabe y dialecto emiratí que reporta un WER promedio de 20,92% en seis sets de prueba en árabe, y un WER medio en inglés de 5,74% en los siete sets del Open ASR Leaderboard, según MarktechPost. Para comparar, Qwen3-ASR-1.7B lista 5,76% de WER medio en ese mismo leaderboard.

La diferencia de fondo: Falcon-ASR no publica pesos ni licencia, solo un demo alojado. Granite Speech sí los publica, bajo Apache 2.0.

En el extremo opuesto está Meta Omnilingual ASR, que cubre más de 1.600 idiomas —unos 500 que ningún sistema ASR había tocado— y fue nombrado uno de los mejores inventos de 2026 por TIME el 15 de octubre de 2026, casi un año después de su publicación como código abierto el 10 de noviembre de 2025. Meta reporta una tasa de error de caracteres por debajo del 10% en el 78% de los idiomas soportados, con modelos de 300 millones a 7.000 millones de parámetros.

Ninguno de los dos compite de frente con Granite Speech: Meta apunta a cobertura lingüística extrema y TII a un idioma con pocos recursos. IBM apunta al caso corporativo multilingüe con sesgo de vocabulario, que es otro problema.

Un dato que vale la pena mirar: IBM ya integró un encoder Granite Speech 5.0 TurboCTC de 470 millones de parámetros dentro de Granite Switch 4.1, anunciado el 15 de octubre de 2026, para que la transcripción corra en el mismo endpoint que el chat y las decisiones, sin servidor de voz separado, según unite.ai.

¿Qué significa esto para tu startup?

Tres cosas concretas.

Primero, el costo de la transcripción se vuelve un problema de infraestructura, no de factura. Con pesos abiertos bajo Apache 2.0 puedes correr el modelo en tu propia GPU o en el dispositivo. Eso cambia la economía de cualquier producto que procese audio en volumen: notas de reuniones, análisis de llamadas de ventas, subtitulado, atención al cliente.

Segundo, el sesgo por palabras clave resuelve un dolor real en español. Los ASR genéricos fallan sistemáticamente con nombres de producto, apellidos y siglas. Poder pasar una lista de hasta 2.000 términos —en español, portugués o el idioma que sea— es la diferencia entre un transcript usable y uno que hay que corregir a mano.

Tercero, la atribución de hablante dejó de ser un lujo. Si tu producto transcribe reuniones o llamadas, saber quién dijo qué es la funcionalidad, no el extra. Una caída del 7% en WDER y del 24% en WER de habla larga se traduce directamente en menos tiempo de revisión humana.

Cómo elegir el modelo correcto

IBM da una guía simple y vale seguirla:

• Alta precisión, traducción o sesgo por palabras clave → granite-speech-5.0-2b.
• Velocidad bruta o transcripción en el dispositivo → granite-speech-5.0-470m-turboctc. Hay un demo en el navegador con WebGPU para probarlo sin instalar nada.
• Reuniones o llamadas con varios hablantes → granite-speech-4.1-2b-plus.

Dos advertencias prácticas antes de integrar. La primera: si tu producto es en español, prueba el modelo con tu propio audio antes de decidir — los benchmarks de IBM son en inglés y el español aparece como idioma soportado, no como idioma evaluado en la tabla. La segunda: para despliegues en producción, IBM recomienda combinar estos modelos con Granite Guardian para detección de riesgos.

Conclusión

El lanzamiento de Granite Speech 5.0 no es un salto espectacular en precisión: es una consolidación. IBM tomó tres productos separados y los convirtió en una familia coherente con licencia permisiva, soporte en los frameworks que la gente usa y una guía clara de cuándo usar cada uno.

Para un founder hispanohablante, el valor está en la combinación: multilingüe real, pesos abiertos y la posibilidad de sesgar el modelo hacia tu propio vocabulario. Eso es suficiente para construir un producto de voz sin depender de una API que cobra por minuto y sube el precio cuando quiere.

Fuentes

• Granite Speech 5.0: Transcribe, Translate, and Attribute more Accurately and Faster (fuente original)
• IBM Releases Modular Granite Switch 4.1 Models in 8B and 30B Sizes
• TII Releases Falcon-ASR: 1.6B Arabic Speech Model Hits 20.92% WER
• Meta's Omnilingual ASR named one of TIME's Best Inventions of 2026