IBM Rilis Granite Speech 5.0: Transkrip Suara Makin Cepat dan Akurat

Apa Saja yang Baru di Koleksi Granite Speech IBM?

Koleksi model suara IBM kali ini nggak cuma fokus di satu fungsi aja. Mereka membaginya ke dalam tiga spesialisasi berbeda supaya kamu bisa milih mana yang paling pas buat beban kerja aplikasi kamu.

Ketiga opsi di atas ngasih keleluasaan penuh buat developer. Kalau butuh akurasi maksimal dan translasi, kamu bisa lari ke model 2B utama. Tapi kalau butuh latensi super rendah atau mau jalanin transkrip lokal di laptop, varian Turbo CTC siap diandalkan.

Granite Speech 5.0 2B: Makin Kebal Bising dan Akurat

Model granite-speech-5.0-2b adalah penerus langsung dari versi 4.1 2B dengan ukuran parameter yang tetap sama, yaitu 2 miliar parameter. Model ini dilatih menggunakan 390.000 jam audio publik, ditambah data sintetis khusus buat pengenalan suara bahasa Jepang, keyword biasing, dan terjemahan.

Buat urusan bahasa, model ini bisa mentranskripsi bahasa Inggris, Prancis, Jerman, Spanyol, Portugis, dan Jepang. Selain itu, model ini juga bisa menerjemahkan bahasa-bahasa tersebut bolak-balik ke bahasa Inggris, ditambah translasi dari bahasa Inggris ke bahasa Italia dan Mandarin.

Ada beberapa fitur baru yang bikin versi 5.0 2B ini terasa jauh lebih fleksibel dibanding pendahulunya:

• Akurasi dan ketahanan audio meningkat: Lebih tangguh ngadepin audio yang punya gema (reverb), rekaman bising, atau suara yang ditangkap mikrofon dari jarak jauh.
• Language ID prompting: Kamu bisa nulis nama bahasa input langsung di prompt buat ngarahin proses transkrip multibahasa biar nggak salah deteksi.
• Keyword biasing sampai 2.000 istilah: Kamu bisa ngasih daftar istilah khusus kayak nama produk, nama orang, atau singkatan teknis sampai 2.000 kata biar model nggak salah dengar.
• Format teks otomatis sesuai permintaan: Cukup minta di prompt, model bakal ngeluarin transkrip lengkap dengan huruf kapital dan tanda baca yang rapi. Skor F1 untuk kapitalisasinya mencapai 89,7 sampai 99,5 di data uji coba.

Di pengujian Open ASR Leaderboard untuk set data pendek bahasa Inggris, model 5.0 2B ini sukses nangkring di peringkat kedua di antara model open-weight teratas dengan rata-rata Word Error Rate (WER) cuma 5,06%.

Granite Speech Turbo CTC dan 4.1 Plus: Opsi Super Ngebut dan Ahli Rapat

Selain model 2B serbabisa, IBM juga ngasih update besar buat granite-speech-5.0-470m-turboctc. Waktu pertama kali rilis Agustus lalu, model encoder 470 juta parameter ini cuma bisa bahasa Inggris. Sekarang, model ini resmi mendukung bahasa Inggris, Jepang, Spanyol, Jerman, Prancis, Italia, dan Portugis.

Kerennya lagi, output dari Turbo CTC sekarang langsung menyertakan tanda baca dan huruf kapital tanpa perlu pipeline terpisah. Dari sisi arsitektur, tim IBM mengompilasi satu blok Conformer dan memakai ulang grafiknya di seluruh layer. Hasilnya, waktu pemanasan (warmup) terpangkas dan kecepatannya melesat jadi 19.870 RTFx di Open ASR Leaderboard—sekitar 1,6 kali lebih ngebut dibanding versi awalnya yang berada di kisaran 12.600 RTFx.

Sementara itu, kalau urusan kamu adalah rekaman percakapan banyak orang, ada granite-speech-4.1-2b-plus. Karena arsitektur dan API-nya persis sama kayak versi 4.1 lama, model ini jadi pengganti langsung (drop-in replacement) dengan bobot model yang jauh lebih pintar.

Dari tabel di atas, kelihatan jelas kalau tingkat pergeseran penanda waktu (AAS) anjlok lebih dari 50%, bikin sinkronisasi teks ke audio rekaman jadi jauh lebih pas.

Ekosistem Granite: Integrasi dengan Router dan Solusi Endpoint Lainnya

Pengembangan model suara ini melengkapi langkah IBM dalam membangun portofolio AI modular. Selain Granite Speech, tim pengembang IBM sebelumnya juga merilis konsep terpadu seperti Granite Switch 4.1 yang dirancang buat menangani chat, pengambilan keputusan, dan pengolahan suara langsung dari satu endpoint terpadu.

Untuk kebutuhan produksi skala besar, IBM juga menyarankan memasangkan model suara ini bareng Granite Guardian buat mendeteksi risiko keamanan konten. Fleksibilitas format ini bikin model Granite makin gampang dipadukan dengan berbagai alur kerja backend modern.

Cara Memanfaatkan Model Ini di Proyek Kamu

Karena dirilis dengan lisensi Apache 2.0 yang ramah penggunaan komersial, kamu bebas memasang model ini di server sendiri maupun di aplikasi internal kantor. Dukungannya pun udah langsung tersedia di ekosistem populer kayak Hugging Face Transformers, vLLM, llama.cpp, sampai mlx-audio buat pengguna Mac Apple Silicon.

Kalau kamu mau ngarahin transkripsi audio multibahasa sambil memasukkan daftar istilah brand, kamu bisa memanfaatkan prompt teks langsung ke model granite-speech-5.0-2b seperti pola berikut:

Language: EnglishKeywords: Classai, API Router, Kubernetes, PostgreSQL, WebGPUTask: Transcribe with punctuation and capitalization.

Dengan format prompt kayak gitu, model bakal memprioritaskan kata-kata teknis yang udah kamu tentukan supaya ejaannya nggak melenceng.

Buat developer di ekosistem Mac, kamu juga bisa melirik panduan optimasi di artikel kami seputar MPS PyTorch akselerasi Mac buat ngebantu proses uji coba model open source secara lokal.

Dampak Nyata Buat Developer dan Bisnis di Indonesia

Kehadiran granite speech 5.0 ngasih angin segar buat tim teknologi dan perusahaan di Indonesia, terutama yang punya aturan ketat soal privasi data. Kalau kamu punya rekaman obrolan nasabah, rapat dewan direksi, atau konsultasi sensitif yang nggak boleh diunggah ke API cloud luar negeri demi kepatuhan regulasi seperti UU PDP, model ini bisa kamu host sendiri secara penuh di server lokal (on-premise).

Selain itu, hasil transkripsi rapat atau panggilan suara sering kali masih mentah dan butuh diproses lebih lanjut—misalnya buat bikin ringkasan otomatis, daftar to-do, atau analisis sentimen. Nah, setelah audio diubah jadi teks lewat Granite Speech, kamu bisa langsung mengoper teksnya ke model bahasa besar lewat Classai Router.

Lewat Classai Router, kamu bisa pakai model hemat kayak deepseek-v4.1-flash (Rp1.155 / Rp4.200 per 1 juta token) atau gpt-4o-mini (Rp945 / Rp3.750 per 1 juta token) cuma dengan satu API key. Jadi alur kerjanya beres dari ujung ke ujung: suara ditranskrip secara privat lewat Granite Speech, lalu dirangkum pakai LLM pilihan kamu dengan biaya token yang super murah dalam rupiah tanpa perlu kartu kredit luar negeri.