/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
granite_speech5_ctc · dense
Библиотека
transformers
Опубликована
4 авг 2026

granite-speech-5.0-470m-turboctc

Распознавание речиАудио → текст6 профессий

Компактная модель IBM для быстрой транскрибации английской речи в текст на серверах и устройствах с ограниченными ресурсами.

59 821скачиваний за 30 дней78лайковвеса обновлены2 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки10

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • Gigaspeech-Cleaned

    WER · ниже — лучше

    Результат

    8,74 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • URGENT2024

    WER · ниже — лучше

    Результат

    11,79 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • SPGISpeech

    WER · ниже — лучше

    Результат

    3,22 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • LS Clean

    WER · ниже — лучше

    Результат

    1,48 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Voice Arena Monsoon

    WER · ниже — лучше

    Результат

    4,75 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • LS Other

    WER · ниже — лучше

    Результат

    2,71 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • URGENT2024-Clean

    WER · ниже — лучше

    Результат

    5,54 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Earnings22-Cleaned-AA-chunked

    WER · ниже — лучше

    Результат

    6,75 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Voxpopuli-AA-Cleaned

    WER · ниже — лучше

    Результат

    4,9 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • AMI-Cleaned

    WER · ниже — лучше

    Результат

    7,71 %

    Open ASR

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Granite Speech 5.0 TurboCTC — компактная модель распознавания английской речи от IBM с 470 млн параметров. Она предназначена для быстрой транскрибации речи в текст и рассчитана на развертывание на ноутбуках, смартфонах и других устройствах с ограниченными ресурсами.

Модель использует акустический энкодер Conformer с блочным self-attention, self-conditioning и временным уменьшением частоты представлений. Она обучена на примерно 60 000 часах английского аудио и применяет CTC с жадным неавторегрессионным декодированием, что обеспечивает высокую скорость вывода. Поддерживается Transformers; для локального запуска также описаны варианты MLX Audio и transcribe.cpp.

Модель подходит для корпоративной транскрибации с низкой задержкой и высокой пропускной способностью. Обучающие данные включают общедоступные аудиокорпуса и синтетические примеры, в том числе речь с числами, валютами и адресами. Поддерживается английский язык; лицензия — Apache 2.0. Модель ориентирована на английскую речь, поэтому её не следует считать многоязычной.

Сценарии применения

  • транскрибация английских аудиозаписей
  • расшифровка телефонных разговоров на английском
  • создание субтитров для английской речи
  • локальное распознавание речи на смартфонах и ноутбуках
  • потоковая корпоративная транскрибация с низкой задержкой

Ограничения

Модель рассчитана на английскую речь и не предназначена для распознавания других языков. В README заявлены высокие скорость и точность, но приведённые таблицы результатов и численные метрики отсутствуют в предоставленном фрагменте.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Granite-Speech-5.0-470M-TurboCTC

Model Summary: Granite Speech 5.0 TurboCTC is a compact 470 million parameter English ASR model with very high inference speed that is well suited for deployment on laptops, smartphones and other edge devices. The model consists of a conformer acoustic encoder with block self-attention, self-conditioning and temporal downsampling with an output layer corresponding to 16,384 BPE units. It was trained on approximately 60,000 hours of English audio from public corpora using Connectionist Temporal Classification (CTC) and inference is done non-autoregressively with greedy decoding.

Evaluations:

We evaluated granite-speech-5.0-470m-turboctc on standard short-form English ASR benchmarks from the Open ASR leaderboard: granite-5.0-470m-turboctc-wer

Performance on the Open ASR leaderboard (official results as of October 2, 2026, RTFx measured on 1 H200): newplot-4-readable pareto-size-readable Performance on noisy and reverberant speech from the FFASR leaderboard (official results as of August 25, 2026, RTFx measured on 1 L4 GPU) ffasr_wer ffasr_rtfx

Release Date: August 25, 2026

License: Apache 2.0

Supported Languages: English

Intended Use: The model is intended to be used in enterprise applications that involve accurate low-latency/high-throughput English speech-to-text transcription.

Usage:

Usage with transformers

Granite Speech 5.0 TurboCTC is supported natively in transformers>=5.16.0:

pip install transformers>=5.16.0 datasets
from datasets import Audio, load_dataset
from transformers import AutoModelForCTC, AutoProcessor

model_id = "ibm-granite/granite-speech-5.0-470m-turboctc"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForCTC.from_pretrained(model_id, device_map="auto")

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
ds = ds.cast_column("audio", Audio(sampling_rate=processor.feature_extractor.sampling_rate))
speech_samples = [el["array"] for el in ds["audio"][:5]]

# `device` computes the log-mel front-end on the model's accelerator, saving a host-to-device copy
inputs = processor(
    speech_samples, sampling_rate=processor.feature_extractor.sampling_rate, device=model.device
)
inputs.to(model.device, dtype=model.dtype)
outputs = model.generate(**inputs)
print(processor.batch_decode(outputs, skip_special_tokens=True))

Usage with mlx-audio for Apple Silicon M series chips

Install a recent version of mlx-audio (0.5.1 or later):

pip install -U mlx-audio

Sample use:

python -m mlx_audio.stt.generate --model ibm-granite/granite-speech-5.0-470m-turboctc --verbose --audio "audio.wav" --output-path "transcript"

Usage with transcribe.cpp for local GGUF inference

transcribe.cpp runs the model from a quantized GGUF on Metal, Vulkan, CUDA, ROCm, or CPU, with no Python at runtime. Build it, then fetch a pre-quantized GGUF:

git clone https://github.com/handy-computer/transcribe.cpp
cd transcribe.cpp && cmake -B build && cmake --build build
hf download handy-computer/granite-speech-5.0-470m-turboctc-gguf \
  granite-speech-5.0-470m-turboctc-Q8_0.gguf --local-dir models

Sample use:

build/bin/transcribe-cli -q -m models/granite-speech-5.0-470m-turboctc-Q8_0.gguf samples/love-loss.wav

Model Architecture:

The architecture of granite-speech-5.0-470m-turboctc consists of 16 conformer blocks trained with Connectionist Temporal Classification (CTC) with a 16,384 BPE classification head (see configuration below). We perform temporal subsampling by a factor of 8 to reduce frame rates from 100Hz to 12.5Hz: first by stacking and skipping consecutive logmel+delta frames (2x) followed by strided convolutions and pooled residuals in the first two conformer blocks (4x) as shown in the figure below. In addition, the encoder uses block-attention with blocks of 128 frames and self-conditioned CTC from the middle layer.

Configuration parameterValue
Input dimension320 (80 logmels + 80 deltas) x 2
Nb. of layers16
Hidden dimension1024
Nb. of attention heads8
Attention head size128
Attention block size128
Convolution kernel size7
Output dimension (BPE)16384

conformer_blocks

Training Data:

Our training data is entirely comprised of publicly available datasets or of synthetic data generated from public corpora specifically targeting English ASR. A detailed description of the training datasets can be found in the table below:

NameNb. hoursSource
CommonVoice-172500https://huggingface.co/datasets/mozilla-foundation/common_voice_17_0
MLS44600https://huggingface.co/datasets/facebook/multilingual_librispeech
Librispeech960https://huggingface.co/datasets/openslr/librispeech_asr
VoxPopuli500https://huggingface.co/datasets/facebook/voxpopuli
YODAS8900https://huggingface.co/datasets/espnet/yodas
AMI150https://huggingface.co/datasets/edinburghcstr/ami
Earnings-22100https://huggingface.co/datasets/esb/datasets

In addition, the model was trained on three synthetic datasets:

  1. 2000 hours of multi-speaker data generated by concatenating single-speaker segments from MLS, YODAS, CommonVoice-17, VoxPopuli, and AMI;
  2. 500 hours of multi-speaker data generated by concatenating single-speaker segments from Earnings-22; and
  3. 240 hours of utterances containing numbers, currencies, website names, phone numbers, addresses, and items containing decimal points or dots which were generated using either gpt-oss-120b or gpt-oss-20b and synthesized using StyleTTS2.

Infrastructure: We train Granite Speech TurboCTC using IBM's super computing cluster, Blue Vela, which is outfitted with NVIDIA H100 GPUs. This cluster provides a scalable and efficient infrastructure for training our models over thousands of GPUs. The training of this particular model was completed in 10 days on 8 H100 GPUs.

Resources

Citation

@misc{granite-speech-5.0-470m-turboctc,
  title={Granite Speech 5.0 TurboCTC},
  author={IBM Granite Speech Team},
  year={2026},
  url={https://huggingface.co/ibm-granite/granite-speech-5.0-470m-turboctc}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GraniteSpeech5ForCTC
Ревизия весов
947f59a

0 моделей