IBM predstavio Granite Speech 5.0: brža i tačnija transkripcija i prevođenje govora

jakovradojevic
3 Min Read

IBM je na Hugging Face platformi objavio novu generaciju svojih modela za prepoznavanje govora — Granite Speech 5.0. Reč je o porodici modela koji donose primetna poboljšanja u transkripciji, prevođenju i atribuciji govora, uz naglasak na brzini i tačnosti.

IBM predstavio Granite Speech 5.0: brža i tačnija transkripcija i prevođenje govora

Prema podacima sa zvaničnog IBM Granite bloga, nova verzija dolazi u nekoliko varijanti. Centralni model granite-speech-5.0-2b poseduje 2 milijarde parametara i namenjen je automatskom prepoznavanju govora (ASR). Uz njega, tu je i znatno lakši granite-speech-5.0-470m-turboctc sa oko 0,5 milijardi parametara, koji je već prikupio zapaženu pažnju zajednice — preko 59 hiljada preuzimanja.

Šta donosi nova generacija?

IBM ističe da Granite Speech 5.0 donosi tačniju transkripciju i prevođenje, ali i bolju atribuciju govora — sposobnost da se prepozna ko govori i u kom kontekstu. To je posebno važno za primene u korisničkoj podršci, analizi sastanaka i obradi velikih količina audio zapisa.

Zanimljivo je da su modeli objavljeni gotovo istovremeno sa prethodnom verzijom granite-speech-4.1-2b-plus, koja je takođe ažurirana pre samo 34 minuta i beleži preko 34 hiljade preuzimanja. Ovakav ritam objavljivanja ukazuje na to da IBM ozbiljno ulaže u open-source govorne tehnologije i da želi da ostane konkurentan u trci sa drugim velikim igračima.

Lakši model, šira primena

Posebno mesto zauzima turboctc varijanta. Sa svega 0,5 milijardi parametara, ovaj model je pogodan za pokretanje na skromnijim hardverskim resursima — što ga čini atraktivnim za startape i developere koji ne mogu da priušte infrastrukturu za velike modele. Manji modeli sa CTC (Connectionist Temporal Classification) pristupom često su brži i efikasniji za real-time transkripciju.

IBM u okviru iste kolekcije nudi i Granite Guardian — skup sigurnosnih modela za detekciju rizika, toksičnosti i halucinacija u LLM tokovima rada. To pokazuje da kompanija gradi kompletan ekosistem oko Granite porodice, od govornih modela do zaštitnih mehanizama.

Šta to znači za tržište?

Objavljivanje Granite Speech 5.0 dolazi u trenutku kada je trka u govornim AI modelima sve intenzivnija. OpenAI, Google i brojni open-source projekti aktivno razvijaju rešenja za transkripciju i prevođenje uživo. IBM-ov potez sa modelima dostupnim na Hugging Face platformi znači da developeri širom sveta mogu odmah da ih testiraju i integrišu u svoje aplikacije — bez čekanja na komercijalne licence.

Za srpski tech ekosistem ovo je relevantno jer open-source govorni modeli sve češće služe kao osnova za lokalizovane aplikacije — od transkripcije predavanja do alata za pristupačnost. Ukoliko IBM nastavi sa ovakvim tempom objavljivanja, Granite bi mogao da postane jedan od standardnih izbora za govorne AI zadatke u 2026. godini.

Share this Article
Leave a comment