Granite Speech 5.0: ανοιχτά μοντέλα ομιλίας της IBM με Apache 2.0

Στις 21 Οκτωβρίου η IBM δημοσίευσε στο Hugging Face το νέο granite-speech-5.0-2b και ανανεωμένες εκδόσεις των granite-speech-5.0-470m-turboctc και granite-speech-4.1-2b-plus. Και τα τρία είναι open-weights (τα αρχεία του μοντέλου διατίθενται ελεύθερα) με άδεια Apache 2.0. Το 2b απομαγνητοφωνεί αγγλικά, γαλλικά, γερμανικά, ισπανικά, πορτογαλικά και ιαπωνικά, μεταφράζει από και προς τα αγγλικά σε αυτές τις γλώσσες και δέχεται λίστες έως 2.000 όρων. Εκπαιδεύτηκε σε 390.000 ώρες δημόσιου ήχου και υποστηρίζεται από Transformers, vLLM, llama.cpp και mlx-audio. Σύμφωνα με την IBM, η ενημέρωση του 4.1-2b-plus βελτιώνει την απόδοση του λόγου στον σωστό ομιλητή και τις χρονοσημάνσεις. Τα ελληνικά δεν αναφέρονται ούτε για το 2b ούτε για το 470M.