L’ANALISI
Granite Speech 5.0 2B: come valutare il nuovo modello vocale aperto di IBM
Granite Speech 5.0 2B di IBM: pesi Apache 2.0, lingue, keyword biasing, runtime supportati, limiti dei benchmark e checklist di prova locale.
In breve: Il delta operativo è la disponibilità dei pesi Apache 2.0 e del supporto nei principali runtime. Granite Speech 5.0 2B può essere scaricato e provato localmente per trascrizione e traduzione, ma i numeri pubblicati da IBM vanno riprodotti su audio, lingua e hardware reali prima di scegliere il modello.
Che cosa si può scaricare
Il repository Hugging Face contiene i pesi di granite-speech-5.0-2b e una model card con licenza Apache 2.0. Il modello è basato su Granite 4.0 1B e il task dichiarato è automatic speech recognition multilingue.
Lingue e compiti coperti
IBM indica trascrizione per inglese, francese, tedesco, spagnolo, portoghese e giapponese. La traduzione funziona da e verso l’inglese per queste lingue, con percorsi aggiuntivi dall’inglese verso italiano e mandarino.
Controllo dei termini e formattazione
Il prompt può specificare la lingua di ingresso e richiedere punteggiatura e maiuscole. Le liste di keyword possono contenere fino a 2.000 termini per favorire nomi di prodotto, persone e acronimi, un punto utile per domini tecnici.
Runtime e confine locale
La pagina di lancio dichiara supporto per Transformers, vLLM, llama.cpp e mlx-audio su Apple Silicon. Pesi aperti e runtime locali consentono test senza API cloud, ma non garantiscono compatibilità identica, quantizzazioni equivalenti o prestazioni sufficienti su ogni macchina.
Come leggere i benchmark
IBM riporta un WER medio inglese del 5,06% sui test pubblici short-form dell’Open ASR Leaderboard, con posizione numero due tra i modelli open weight considerati. Il WER è un tasso di errore, quindi un valore più basso è migliore; il dato non copre automaticamente audio italiano, call center o riverbero specifico.
Condizioni e limitazioni
I risultati WER e robustezza sono benchmark ufficiali, non una verifica indipendente. Consumo di memoria, latenza, qualità su italiano parlato, accenti, audio telefonico e registrazioni lunghe devono essere misurati sul proprio hardware e sui propri dati.
Checklist pratica
- Scaricare modello e file da una revisione Hugging Face bloccata.
- Registrare runtime, quantizzazione, hardware e memoria disponibile.
- Preparare un set audio rappresentativo con trascrizioni di riferimento.
- Misurare WER, latenza, real time factor e picco di memoria.
- Provare separatamente audio pulito, telefonico, lontano e riverberante.
- Verificare nomi propri e gergo con e senza keyword biasing.
- Controllare qualità della traduzione su segmenti brevi e lunghi.
- Confrontare il risultato con il modello attuale a parità di dati e hardware.