这篇 Hugging Face 上的 IBM 文章写着 Published October 21, 2026。判断先写在前面：granite-speech-5.0-2b 的 5.06%，是 Open ASR 榜上英语短句公开测试集的平均词错误率，页面写它在开放权重语音识别模型里排第 2，并称为截至 10 月 21 日的官方结果。词错误率越低越好。这不是长对话的分数，也不是翻译的分数。
[1]
5.0 2B 是 4.1 2B 的后继，参数量相同。它转写英语、法语、德语、西班牙语、葡萄牙语和日语，并在这些语言与英语之间互译，另加英语到意大利语和普通话。训练用了 39 万小时的公开音频，再加上为日语识别、关键词偏置和翻译做的合成数据。和 4.1 2B 相比，页面列出的新能力包括更抗噪声、混响和远距离麦克风，可以在提示里指定输入语言，关键词表最多 2000 条，以及按要求输出标点。大写的 F1 在他们的测试集上从 89.7 到 99.5。那是他们自己的测试集，这一页没有把每个集的名字写进正文。
[1]470M 的 Turbo CTC 是八月那版的修订，足迹不变，原先只做英语。这一版加上英语、日语、西班牙语、德语、法语、意大利语和葡萄牙语的转写，并直接输出标点和大小写。页面说，针对混响的训练让它在有回声的房间和远场录音里更稳。速度写的是把单个 Conformer 块编译一次、在整叠里复用，从而把 Turbo CTC 推到 Open ASR 榜上的 19870 RTFx，发布时大约是 12600 RTFx，大约快 1.6 倍，准确率维持在同一水平。1.6 倍和同一准确率是页面的话。图注还说，英语短句、9 个公开测试集、RTFx 用对数刻度，统计写到 2026 年 10 月。
[1]granite-speech-4.1-2b-plus 仍用 4.1 的名字，因为架构、提示格式和接口没变，换的是权重。页面给的是错误率，所以越低越好。全部语音的平均时间戳偏移从 210.86 降到 98.54。短语音从 29.27 降到 26.20。20 个词的关键词偏置，偏置词错误率从 11.79 降到 6.48。长语音测试集的词错误率从 13.53 降到 10.22。说话人标注的词错误率 WDER 从 4.40 降到 4.10，带说话人的 cpWER 从 30.50 降到 28.48。正文里的大约 7%、时间戳偏移减半以上、长语音词错误率降 24%、关键词错误降 45%，是这些表的概括。测试集的更细名单在模型卡，不在这一页的正文里。
[1]三个模型都按 Apache 2.0 发布，并写明 Transformers 可以直接用。2B 还写了 vLLM、llama.cpp，以及苹果芯片上的 mlx-audio。页面建议需要额外风险检测的生产部署配上 Granite Guardian。那是建议，不是这一页里的一次对照实验。选模型的三句话也只是页面自己的指引：要准确率、翻译或关键词偏置用 5.0 2B；要速度或端侧用 Turbo CTC；会议和多方通话用 4.1 2B Plus。指引不是测试结果。
[1]