Granite Speech 5.0 : nouveautés et usages
Découvrez les nouveautés de Granite Speech 5.0 : transcription multilingue, traduction, vitesse et diarisation. Comparez les modèles et choisissez le bon.
Granite Speech 5.0 : quel modèle choisir pour vos projets vocaux ?
La reconnaissance vocale, ce n'est pas seulement "convertir un enregistrement en texte". En entreprise, il faut aussi gérer plusieurs langues, des salles qui résonnent, des noms propres qui partent en fumée, et des conversations où l'on doit savoir qui a dit quoi. Et derrière, il y a deux contraintes très concrètes : la latence et le coût d'exploitation. Une transcription précise mais trop lente devient vite inutilisable à grande échelle.
Chez IBM, Granite Speech 5.0 arrive avec trois modèles pour trois besoins différents : un modèle généraliste de 2 milliards de paramètres, un modèle Turbo CTC pensé pour aller vite et un modèle dédié aux conversations multi-intervenants. L'annonce met en avant des gains sur la transcription, la traduction, la robustesse acoustique et l'attribution des locuteurs. Mais ces modèles ne jouent pas le même match, et les benchmarks ne suffisent pas à dire lequel déployer.
Voici donc ce qui change, les cas d'usage qui collent, et les vérifications à faire avant une intégration en production - en particulier côté qualité, conformité et coût.
Trois modèles pour trois contraintes différentes
Le point de départ, c'est que l'annonce ne propose pas "un seul modèle pour tout faire". IBM met à jour trois briques orientées vers des situations distinctes : transcription/traduction multilingues, traitement rapide sur des contraintes matérielles, et analyse de conversations avec plusieurs intervenants.
| Modèle | Usage principal | Évolution mise en avant |
|---|---|---|
granite-speech-5.0-2b |
Transcription précise, traduction et termes spécialisés | Meilleure robustesse, consignes de langue et listes de mots-clés jusqu'à 2 000 termes |
granite-speech-5.0-470m-turboctc |
Transcription à haut débit ou sur appareil | Sept langues, ponctuation native et accélération annoncée |
granite-speech-4.1-2b-plus |
Réunions, appels et enregistrements à plusieurs voix | Attribution des locuteurs, horodatage et traitement des fichiers longs améliorés |
Du coup, plutôt que chercher "le meilleur score", il faut regarder "quelle erreur vous coûtera le plus cher". Transcrire mal un nom de produit, traduire approximativement une expression métier ou attribuer la phrase au mauvais locuteur n'ont pas du tout le même impact. L'idée : commencez par évaluer les conséquences opérationnelles, puis choisissez le modèle à tester.
Côté licence, les trois modèles sont publiés sous Apache 2.0 et sont pris en charge dans Transformers. IBM indique aussi une intégration prévue avec vLLM, llama.cpp et mlx-audio sur Apple Silicon pour le modèle 5.0 2B. Une licence ouverte aide pour l'expérimentation et l'hébergement autonome, mais ça ne règle pas tout : confidentialité, sécurité et conformité restent à travailler. Il faut aussi vérifier les conditions des dépendances et organiser l'exploitation des données audio.
Granite Speech 5.0 2B : précision, langues et contrôle
granite-speech-5.0-2b remplace la version 4.1 2B en conservant le même nombre de paramètres. Il prend en charge la transcription en anglais, français, allemand, espagnol, portugais et japonais. Pour la traduction, IBM indique une prise en charge vers et depuis l'anglais pour ces langues, ainsi que de l'anglais vers l'italien et le mandarin.
Le modèle a été entraîné sur 390 000 heures d'audio public, complétées par des données synthétiques (notamment pour la reconnaissance du japonais, l'orientation par mots-clés et la traduction). Le volume seul ne dit pas grand-chose sur la qualité chez vous : accents, vocabulaire métier, conditions d'enregistrement et longueur des fichiers changent vraiment la donne.
Des améliorations utiles en conditions réelles
IBM met en avant une meilleure reconnaissance de l'anglais sur des tests de formats courts, ainsi qu'une robustesse accrue au bruit, à la réverbération et aux voix captées à distance. Concrètement, ça vise les situations qu'on rencontre en bureau, en salle de réunion "pas complètement insonorisée", ou avec un téléphone à la place d'un microphone dédié.
Le modèle accepte aussi une consigne indiquant la langue d'entrée. Sur le papier, c'est pratique en contexte multilingue, mais ce n'est pas une baguette magique : si vos enregistrements changent de langue en cours de route, ou si plusieurs locuteurs mélangent les langues, il faudra tester.
Autre option intéressante en entreprise : les listes de mots-clés peuvent contenir jusqu'à 2 000 termes. Elles servent à orienter la transcription ou la traduction vers des noms propres, des sigles et des références produit. Oui, ça peut améliorer la reconnaissance d'un vocabulaire spécialisé. Mais une liste mal entretenue pose problème : une liste obsolète ou trop large peut pousser le modèle vers des termes incorrects.
Enfin, une consigne peut demander une sortie ponctuée et capitalisée. IBM rapporte des scores F1 de capitalisation entre 89,7 et 99,5 selon les jeux de test. Attention toutefois : ces chiffres varient selon les données évaluées, et ils ne garantissent pas la même performance pour le français ou pour un secteur donné.
Traduction : débit et fidélité métier ne se mesurent pas pareil
IBM indique que le modèle gère mieux les traductions longues et conversationnelles que son prédécesseur. Le raisonnement est simple : traduire une phrase lue à voix haute est souvent plus facile que de conserver le sens d'un échange oral fait d'interruptions, de phrases incomplètes et de références implicites.
En déploiement, évaluez la transcription dans la langue source et la traduction produite séparément. Une erreur de reconnaissance au départ peut se propager dans la traduction et devenir plus difficile à repérer ensuite. Pour des contenus juridiques, médicaux ou financiers, prévoyez une validation humaine adaptée au risque : le modèle accélère le traitement, mais il ne remplace pas la responsabilité éditoriale ou métier.
IBM précise aussi que le modèle se classe deuxième parmi des modèles open-weight évalués sur la moyenne des erreurs de mots en anglais, avec un taux de 5,06 %. Ce chiffre s'appuie sur des jeux de test publics en anglais de format court, selon le classement consulté le 21 octobre 2026. C'est un repère, pas une comparaison "universelle" : en français, sur des conversations longues, la performance peut être différente.
Turbo CTC : privilégier la vitesse sans négliger l'usage
granite-speech-5.0-470m-turboctc conserve 470 millions de paramètres et une orientation clairement "vitesse". La mise à jour le rend multilingue pour la transcription en anglais, japonais, espagnol, allemand, français, italien et portugais. IBM ajoute aussi de la ponctuation et de la capitalisation produites directement, avec un entraînement visant des enregistrements réverbérants.
Ce profil est particulièrement pertinent quand vous avez beaucoup d'audio, quand le temps de traitement doit rester bas, ou quand l'inférence doit fonctionner près de l'utilisateur. Typiquement : sous-titrage, indexation rapide, ou applications embarquées - à condition de vérifier la qualité sur vos données réelles.
Que signifie le gain de vitesse annoncé ?
IBM indique avoir compilé un bloc Conformer et réutilisé son graphe dans l'ensemble du réseau. Le modèle atteint ainsi 19 870 RTFx sur le classement Open ASR, contre environ 12 600 lors de son lancement, soit une vitesse multipliée par environ 1,6 selon l'annonce. En pratique, RTFx correspond au débit de traitement audio par rapport à la durée du son : plus la valeur est élevée, plus le traitement est rapide.
Ce chiffre aide à comparer des exécutions dans un protocole donné, mais il ne se transforme pas directement en "coût par heure" dans votre infrastructure. Le matériel, la taille des lots, les paramètres d'inférence, les temps de chargement et le passage à l'échelle changent tout. Mesurez la latence de bout en bout : prétraitement, exécution et temps pour renvoyer le résultat à l'application.
Le compromis reste classique : un modèle optimisé pour le débit n'est pas forcément le meilleur choix pour la traduction, les longues conversations, ou les transcriptions où chaque nom propre compte. Testez sur des enregistrements représentatifs et comparez à la fois qualité et coût total. Une correction manuelle qui explose peut effacer le gain financier d'une inférence plus rapide.
IBM mentionne aussi une démo de streaming WebGPU côté navigateur. C'est utile pour se faire une idée, mais ça ne remplace pas un test de charge sur la configuration qui sera réellement déployée, ni une vérification des exigences de sécurité et de conservation des enregistrements.
4.1 2B Plus : mieux attribuer les paroles
granite-speech-4.1-2b-plus vise les réunions, les appels support et les entretiens où plusieurs personnes parlent pendant un temps prolongé. Le "4.1" est conservé : IBM indique que l'architecture, le format des consignes et l'API restent inchangés. En clair, si vous étiez déjà intégré à cette version, vous pouvez évaluer la mise à jour comme un changement de poids, sans devoir revoir votre interface.
Le gain principal porte sur la diarisation : identifier les segments prononcés par chaque intervenant, et y ajouter des horodatages. C'est important parce que ce sont deux choses différentes de la reconnaissance des mots : on peut transcrire correctement, tout en attribuant une phrase à la mauvaise personne, ou en plaçant les limites temporelles au mauvais endroit.
Comment lire les résultats annoncés ?
IBM communique plusieurs évolutions sur ses tests. Le WDER (taux d'erreur de diarisation au niveau des mots) passe de 4,40 à 4,10, et le cpWER (erreurs des transcriptions attribuées aux locuteurs) passe de 30,50 à 28,48. Sur les longs enregistrements, le WER descend de 13,53 à 10,22, soit une baisse annoncée de 24 %.
L'erreur de décalage des horodatages (AAS) passe de 210,86 à 98,54 sur l'ensemble des séquences testées, et de 29,27 à 26,20 sur les séquences courtes. Enfin, avec des listes de 20 mots-clés, le taux d'erreur sur les mots biaisés baisse de 11,79 à 6,48. Rappel utile : ce sont des erreurs, donc plus le nombre est bas, mieux c'est. Les unités et le protocole détaillés doivent être consultés dans la fiche du modèle avant toute comparaison directe.
Ces améliorations sont particulièrement pertinentes pour les appels, le sous-titrage avec identification des intervenants, et la préparation de comptes rendus. Elles ne suppriment pas pour autant les cas difficiles : personnes qui se coupent, voix très similaires, intervenants hors micro, changements de locuteur très brefs. Dans ces situations, vous aurez besoin de mesurer la qualité sur un échantillon annoté par des humains.
La diarisation peut aussi avoir des conséquences business. Dans un service client ou un entretien professionnel, attribuer une déclaration à la mauvaise personne peut fausser une analyse ou un suivi. Si la sortie sert à prendre une décision, gardez un mécanisme de vérification et rendez visibles les limites du traitement quand c'est possible (et le niveau de confiance, si vous l'exposez).
Déployer un modèle vocal : les vérifications utiles
Avoir des poids ouverts et une licence Apache 2.0 facilite le lancement, mais le choix du modèle ne fait pas tout. Un déploiement fiable repose sur une évaluation locale, une gestion correcte des données et un processus de contrôle qui tient compte des conséquences d'une erreur.
Construire un jeu de test représentatif
Constituez un échantillon qui couvre accents, langues, microphones, environnements et durées présents dans votre activité. Ajoutez aussi les cas qui coûtent cher si ça échoue : noms de clients, références produit, acronymes, interruptions, bruit de fond, termes métier. Séparez les enregistrements utilisés pour affiner les consignes de ceux qui servent à mesurer la performance finale.
Ne vous limitez pas au WER. Selon votre produit, mesurez aussi :
- le taux d'erreur sur les mots-clés métier ;
- la qualité de traduction et la préservation des informations sensibles ;
- la fiabilité de l'attribution des locuteurs ;
- le décalage temporel des segments ;
- la latence, le débit et le coût de traitement ;
- le temps humain nécessaire pour corriger le résultat.
Ce dernier point change souvent la décision. Si un modèle plus rapide déclenche plus de corrections, le coût total peut dépasser celui d'un modèle plus lent mais plus précis.
Intégrer les exigences de confidentialité et de contrôle
Dans des organisations françaises ou européennes, les enregistrements peuvent contenir des données personnelles, des informations de santé ou des éléments confidentiels. Héberger en interne peut réduire certains transferts, mais ça ne suffit pas à garantir la conformité RGPD. Il faut regarder la finalité, la base juridique, les durées de conservation, les accès, la sécurité et l'information des personnes concernées.
Selon le contexte, faites intervenir le délégué à la protection des données et documentez les flux audio, les transcriptions et les journaux techniques. Évitez de conserver des fichiers bruts par défaut si le produit n'en a pas besoin. Mettez aussi en place une procédure de correction et de contestation quand la transcription ou l'attribution sert à une décision importante.
Enfin, prévoyez une surveillance après mise en production. Les performances peuvent dériver quand changent les microphones, les profils utilisateurs ou le vocabulaire. Suivez les erreurs par langue et par type d'enregistrement, plutôt que de vous contenter d'une moyenne globale. Versions, consignes et listes de mots-clés doivent être traitées comme des éléments du système, pas comme des réglages oubliés dans un script.
Pour les détails d'évaluation et des exemples d'utilisation, consultez l'annonce IBM Granite sur Hugging Face et les fiches de modèles associées. IBM recommande aussi d'évaluer Granite Guardian pour les déploiements qui exigent des contrôles supplémentaires des risques : ce type de composant ne dispense pas d'une gouvernance propre à votre organisation.
Conclusion
Granite Speech 5.0 répond à trois contraintes opérationnelles assez différentes : granite-speech-5.0-2b pour la transcription et la traduction avec un bon niveau de contrôle, Turbo CTC pour le débit et la transcription sur appareil, et granite-speech-4.1-2b-plus pour les conversations où locuteurs et timing comptent.
Les chiffres de benchmark sont un point de départ, pas une décision de déploiement. Le bon choix se fait avec vos propres données : mesures de qualité, latence, coût de correction et risque métier. Sélectionnez un corpus représentatif, testez au maximum deux modèles sur le même protocole, puis documentez clairement le compromis choisi.
Pour aller plus loin, regardez la publication originale d'IBM Granite et les fiches techniques avant de lancer un pilote. Commencez petit, mesurez les erreurs qui comptent vraiment, puis étendez l'usage quand le système tient dans vos conditions de production.