Granite Speech 5.0: Daha Doğru ve Daha Hızlı Transkripsiyon, Çeviri ve Konuşmacı İlişkilendirme

IBM’in kurumsal ses işleme dünyasına getirdiği üç önemli güncelleme, geliştiricilerin ses-dil modellerini (Speech-Language Models) üretim ortamlarında nasıl konumlandıracağına dair güçlü ipuçları sunuyor. Yeni granite-speech-5.0-2b modeli ile topluluğun halihazırda kullandığı granite-speech-5.0-470m-turboctc ve granite-speech-4.1-2b-plus modellerinin güncellenmiş versiyonları, uçtan uca kurumsal ses iş yüklerini kapsıyor. Yazılım geliştiriciler için bu üçlü; yüksek doğruluklu çeviri, uç cihazlarda (edge) ultra hızlı transkripsiyon ve çoklu konuşmacı takibi gibi farklı mimari ihtiyaçlara doğrudan yanıt veriyor.

Model Ailesi ve Kullanım Alanları#

Projeniz için doğru modeli seçerken ("Modeller: Hangisi, Ne Zaman?" yaklaşımıyla) aşağıdaki üç temel yapı taşını değerlendirebilirsiniz:

• granite-speech-5.0-2b (Yeni): Daha doğru, gürültü ve yankıya dayanıklı otomatik konuşma tanıma (ASR), dil kimliği (language-ID) istemi, 2.000 terimli anahtar kelime yönlendirmesi (keyword biasing) ve gelişmiş uzun metin çevirisi sunar. Yüksek doğruluklu çok dilli transkripsiyon ve çeviri projeleri için en iyisidir.
• granite-speech-5.0-470m-turboctc (Güncellendi): Çok dilli yapı, doğal noktalama ve büyük/küçük harf kullanımı ile gürültü ve yankıya karşı artırılmış dayanıklılık içerir. Yüksek işlem hacmi (high-throughput) gerektiren sistemler ve cihaz içi (on-device) transkripsiyon senaryoları için idealdir.
• granite-speech-4.1-2b-plus (Güncellendi): Geliştirilmiş konuşmacı ilişkilendirme (speaker attribution), zaman damgaları, anahtar kelime yönlendirmesi ve uzun konuşma performansı sağlar. Toplantılar, çağrı merkezi kayıtları ve kimin ne zaman konuştuğunun kritik olduğu çok konuşmacılı kayıtlar için en uygun seçenektir.

Granite Speech 5.0 2B: Daha Doğru, Daha Dayanıklı, Daha Fazla Kontrol#

Aynı parametre sayısını koruyarak granite-speech-4.1-2b modelinin yerini alan granite-speech-5.0-2b, İngilizce, Fransızca, Almanca, İspanyolca, Portekizce ve Japonca dillerinde transkripsiyon yapabiliyor. Ayrıca bu diller ile İngilizce arasında çift yönlü çeviri ve İngilizceden İtalyanca ile Mandarin Çincesine çeviri desteği sunuyor. 390.000 saatlik açık ses verisinin yanı sıra Japonca ASR, anahtar kelime yönlendirmesi ve çeviri için üretilen sentetik verilerle eğitilmiş olması, modelin pratik saha performansını doğrudan artırıyor.

4.1 2B Speech sürümüyle karşılaştırıldığında geliştiricilere sunulan 5 temel yenilik şunlardır:

• Daha doğru, daha dayanıklı İngilizce ASR: Kısa biçimli İngilizce kıyaslama (benchmark) testlerinde daha yüksek doğruluk sağlar; gürültü, yankı ve uzak mikrofon konuşmalarını çok daha iyi işler.
• Dil kimliği (Language ID) istemi: Çok dilli transkripsiyonu yönlendirmek için girdi dilini doğrudan istemde (prompt) belirtebilirsiniz; bu da temel prompt tekniklerinin ses modellerinde ne kadar etkili kullanılabileceğini gösterir.
• Daha iyi uzun biçimli ve diyalogsal çeviri: Çeviri kalitesi yalnızca kısa ve okunmuş cümlelerde değil, daha uzun ve doğal konuşma akışlarında da tutarlılığını korur.
• 2.000 terime kadar anahtar kelime listeleri: Desteklenen her dilde transkripsiyon ve çeviriyi kendi ürün adlarınıza, kişi isimlerine ve kısaltmalara göre yönlendirebilirsiniz (biasing). Kurumsal jargon içeren uygulamalar geliştiren mühendisler için bu özellik, ek bir fine-tuning maliyetini ortadan kaldırır.
• İsteğe bağlı noktalama ve büyük/küçük harf kullanımı: İstemde biçimlendirilmiş çıktı talep edebilirsiniz; büyük/küçük harf kullanımında F1 skoru test setlerinde 89,7 ile 99,5 arasında değişmektedir.

Apache 2.0 lisansı altında sunulan model; Transformers, vLLM, llama.cpp ve Apple Silicon için mlx-audio desteğiyle geliyor. Bu geniş ekosistem desteği, modeli hem bulut tabanlı yüksek ölçekli sunucularda (vLLM) hem de yerel donanımlarda (llama.cpp, mlx-audio) hızla üretime alabileceğiniz anlamına gelir. Ayrıca model, Open ASR Leaderboard’un herkese açık kısa biçimli İngilizce test setlerinde ortalama %5,06 kelime hata oranı (WER) ile açık ağırlıklı ASR modelleri arasında 2. sırada yer alarak (15 Ekim 2026 itibarıyla resmi olmayan sonuçlar) kalitesini kanıtlıyor.

Orijinal makaleye buradan ulaşabilirsiniz.