IBM이 음성 인식(ASR)과 번역을 아우르는 그래니트 스피치(Granite Speech) 컬렉션에 신규 모델 1종과 개정판 2종을 추가해 21일(현지시간) 허깅페이스(Hugging Face) 블로그를 통해 공개했다. 신규 모델은 granite-speech-5.0-2b이며, 기존 모델인 granite-speech-5.0-470m-turboctc와 granite-speech-4.1-2b-plus가 개정됐다.
그래니트 스피치 5.0 2B: 영어 인식 개선과 키워드 편향
granite-speech-5.0-2b는 기존 4.1 2B와 같은 파라미터 규모의 후속 모델이다. 영어, 프랑스어, 독일어, 스페인어, 포르투갈어, 일본어 전사를 지원한다. 이들 언어와 영어 간 양방향 번역에 더해 영어에서 이탈리아어·중국어(만다린)로의 번역도 가능하다. 공개 음성 데이터 39만 시간에 일본어 ASR, 키워드 편향, 번역용 합성 데이터를 더해 학습했다.
IBM은 영어 단문 벤치마크 정확도가 높아졌고 잡음, 잔향, 원거리 마이크 환경에서도 더 안정적이라고 밝혔다. 프롬프트에 입력 언어를 지정하는 방식으로 다국어 전사를 유도할 수 있고, 최대 2,000개 용어의 키워드 목록으로 제품명·인명·약어에 맞춰 결과를 보정할 수 있다. 프롬프트로 문장부호와 대소문자 표기를 요청할 수도 있으며, 대문자 표기 F1은 테스트 세트별로 89.7~99.5 범위라고 설명했다. 오픈 ASR 리더보드의 영어 단문 평균 단어오류율(WER)은 5.06%로 오픈 웨이트 모델 중 2위라는 것이 IBM 측 비공식 집계(10월 15일 기준)다.
터보 CTC: 7개 언어 지원, 속도 약 1.6배
8월 영어 전용으로 나온 4억7,000만 파라미터 인코더 터보 CTC는 이번 개정에서 영어, 일본어, 스페인어, 독일어, 프랑스어, 이탈리아어, 포르투갈어 전사를 지원하게 됐다. 별도 후처리 없이 문장부호와 대소문자가 적용된 결과를 내며, 잔향 음성을 겨냥한 학습으로 울리는 공간과 원거리 녹음에서의 안정성도 높였다.
Conformer 블록 하나를 컴파일해 전체 층에서 그래프를 재사용하는 방식으로 워밍업 시간을 줄였다. 그 결과 오픈 ASR 리더보드 기준 RTFx는 출시 당시 약 1만2,600에서 1만9,870으로 올라 약 1.6배 빨라졌고, 정확도는 같은 수준이라고 IBM은 밝혔다. 브라우저에서 시험할 수 있는 WebGPU 스트리밍 데모도 제공한다.
4.1 2B 플러스: 회의·상담 녹음의 화자 구분 강화
granite-speech-4.1-2b-plus는 구조, 프롬프트 형식, API가 그대로여서 기존 모델을 가중치만 바꿔 대체할 수 있다. 회의, 상담 통화, 인터뷰처럼 화자가 여럿인 긴 녹음에 맞춰 조정됐다. 단어 화자 분리 오류율(WDER)과 화자 기준 WER(cpWER)은 각각 7% 감소했고, 평균 타임스탬프 편차(AAS)는 절반 넘게 줄었다. 장시간 음성의 WER은 24%, 20개 용어 키워드 목록 사용 시 키워드 오류는 45% 낮아졌다.
세 모델 모두 트랜스포머스(Transformers)를 지원하며, 5.0 2B는 vLLM, llama.cpp, 애플 실리콘용 mlx-audio에서도 쓸 수 있다. IBM은 상용 환경에서는 위험 탐지를 위해 그래니트 가디언(Granite Guardian)과 함께 쓰기를 권장했다.
상업적 이용이 자유로운 라이선스에 다국어 지원 범위가 넓은 만큼, 일본어 지원 등 아시아권 수요를 겨냥한 구성이 눈에 띈다. 다만 이번 공개 모델이 지원하는 언어에 한국어는 포함되지 않았다.
