IBM cập nhật Granite Speech với mô hình 2B mới, phiên bản Turbo CTC nhanh hơn và khả năng nhận diện người nói tốt hơn
IBM đã công bố ba bản cập nhật cho bộ Granite Speech: mô hình mới granite-speech-5.0-2b với 2 tỷ tham số, granite-speech-5.0-470m-turboctc đa ngôn ngữ và nhanh hơn, cùng granite-speech-4.1-2b-plus được cải thiện cho các bản ghi có nhiều người nói. Mô hình 2B hỗ trợ phiên âm tiếng Anh, Pháp, Đức, Tây Ban Nha, Bồ Đào Nha và Nhật Bản, dịch giữa tiếng Anh và các ngôn ngữ này, đồng thời nhận danh sách tối đa 2.000 từ khóa; mô hình được huấn luyện trên 390.000 giờ âm thanh công khai cùng dữ liệu tổng hợp. Mô hình Turbo CTC 470M hiện hỗ trợ bảy ngôn ngữ, tự thêm dấu câu và viết hoa, xử lý tốt hơn âm thanh nhiễu hoặc có tiếng vang, đồng thời đạt 19.870 RTFx—nhanh hơn khoảng 1,6 lần so với khi ra mắt. Bản cập nhật 4.1 2B Plus cải thiện khả năng xác định người nói, căn thời gian, xử lý nội dung dài và nhận diện từ khóa, trong đó tỷ lệ lỗi trên các bài kiểm tra nội dung dài giảm 24% và lỗi với danh sách 20 từ khóa giảm 45%. Mô hình 5.0 2B được phát hành theo giấy phép Apache 2.0 và hoạt động với Transformers, vLLM, llama.cpp và mlx-audio, đem đến lựa chọn mã nguồn mở cho việc phiên âm, dịch thuật, triển khai trên thiết bị và lập chỉ mục bản ghi cuộc họp hoặc cuộc gọi. WER là chỉ số đo lỗi phiên âm, còn RTFx đo tốc độ xử lý; RTFx càng cao thì phiên âm càng nhanh.
Nhà phát triển có thể dùng granite-speech-5.0-2b cho phiên âm và dịch đa ngôn ngữ chính xác hơn, granite-speech-5.0-470m-turboctc khi ưu tiên tốc độ hoặc chạy trên thiết bị, và granite-speech-4.1-2b-plus cho cuộc họp, cuộc gọi nhiều người nói. Việc hỗ trợ Apache 2.0 cùng Transformers, vLLM, llama.cpp và mlx-audio giúp các đội ngũ ở Việt Nam dễ thử nghiệm và tích hợp hơn.
Đọc bài gốc