granite-speech-5.0-2b

granite-speech-5.0-2b

把六种语言的语音转成文字，并在英语与其他语言之间翻译语音，支持关键词偏置和语言提示。这是 IBM 面向企业音频的紧凑 2B 语音语言模型。

由 ibm-granite 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Granite Speech 5.0 2B 是 IBM 的紧凑语音语言模型。它能转写六种语言的语音，并在英语和另外五种语言之间双向翻译语音。IBM 的做法是把 granite-4.0-1b-base 的一个中间检查点与语音对齐，用到了来自公开语料的 390,000 小时音频，外加合成数据集。

适合谁：它适合在商业场景中处理录制或实时语音、需要转写稿、翻译或能识别关键词的输出的团队。

行业 | 谁在用 | 怎么用 | 例子
企业运营 | 处理通话录音和会议的团队 | 把语音转成文字 | 把一段嘈杂的通话录音转成带标点的转写稿
本地化和媒体 | 跨多种语言工作的团队 | 在英语与其他语言之间翻译语音 | 把一段日语语音翻译成英文文本
语音研究 | 评测语音识别的人 | 与上一版比较错误率 | 查看测试集上的标点和大小写得分

如果你只需要翻译书面文字，或者需要支持范围之外的语言，可以略过它。

用在哪里：

• 使用 transformers 库的 Python 项目
• 处理语音输入的企业应用
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用途 | 谁用 | 能得到什么
语音转文字 | 运营团队 | 带标点和大小写的转写稿
语音翻译 | 本地化团队 | 另一种语言的文字，与英语双向
关键词识别转写 | 有产品名或人名清单的团队 | 对最多 2000 个词的清单上的术语捕捉得更好

如何设置：
你需要先准备：

• Python 和 Hugging Face 命令行
• BF16 权重约需 4.6 GB 内存，4 位下约 1.2 GB，这只是估算值
• 要转写的音频文件或音频流

1. 用 pip 安装 Hugging Face 工具。
2. 把模型文件下载到你的电脑。
3. 按模型卡使用说明部分，用 transformers 加载模型。

pip install -U huggingface_hub
hf download ibm-granite/granite-speech-5.0-2b

如何使用：
你把音频交给模型，它返回文字，可以是转写稿，也可以是译文。模型卡说，你可以用语言 id 提示告诉它音频是什么语言，还可以提供最多 2000 个词的关键词清单，来偏置识别和翻译。

工具 | 作用
语音识别 | 把六种语言之一的音频转成文字
语音翻译 | 在英语和其他语言之间双向翻译
语言 id 提示 | 告诉模型音频是什么语言
关键词清单偏置 | 偏向你提供的清单上的术语

示例：你传入一段英语财报电话会议的录音，以及一份简短的公司和产品名称清单。模型返回带标点和大写的转写稿，清单帮助它把这些名称写对。

新手与专家：第一次尝试可以先转写一段简短的英语音频原文。然后试试另一种支持语言的音频，等基础版本跑通后再加上关键词清单。

对懂行的人来说，这个模型有 2.3B 参数，模型卡把它与同样大小的上一代 4.1 版本做了比较。它报告说，英语短音频识别的准确率更高，对噪声和远距离麦克风更稳健，长音频翻译更好，关键词清单也更大。在标点方面，PER 统计插入、删除或替换的标点，Cap-F1 在对齐的词对上给大小写打分。

音频输入
可选的语言 id 和关键词清单来引导
模型转写或翻译
输出带标点和大写的文字

注意事项：

Title: LScln 上的标点错误率，越低越好
上一代 4.1 版本: 25.70
这一代 5.0 版本: 23.20

Title: 与上一版相比的标点和大小写表现
测试集 | PER 4.1 | PER 5.0 | Cap-F1 4.1 | Cap-F1 5.0
LScln | 25.70 | 23.20 | 89.71 | 90.16
LSoth | 22.27 | 21.22 | 91.26 | 91.65
VoxPopuli | 24.86 | 23.70 | 95.35 | 95.07
Earnings-22 | 22.87 | 21.64 | 95.19 | 94.98

• 范围：六种语言的识别，这些语言与英语之间互相翻译，另外还有英语到意大利语和英语到普通话。
• 预期用途：处理语音的企业应用。
• 结果：模型卡还给出了排行榜、翻译和关键词偏置的图表，这里没有复现。
• License: Apache 2.0
• Cost to run: 没有提到 API 密钥或付费服务。
• Data it reaches: 它从 Hugging Face 下载文件，你提供的音频由你自己的代码处理。
• Not for: 支持范围之外的语言。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：2.3B
• Weights: about 4.6 GB in BF16; about 1.2 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：10,081
• 点赞：84
• 许可证：apache-2.0
• 语言：en, fr, de, es, pt, ja
• 基于：ibm-granite/granite-4.0-1b-base
• Quantized versions: 9
• Fine-tunes: 1
• 标签：transformers, safetensors, granite_speech, automatic-speech-recognition, multilingual

链接

• 模型：https://huggingface.co/ibm-granite/granite-speech-5.0-2b
• 文件：https://huggingface.co/ibm-granite/granite-speech-5.0-2b/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ibm-granite/granite-speech-5.0-2b

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。