ibm-granite/granite-speech-5.0-470m-turboctc: новая модель в трендах Hugging Face

Что это

Granite Speech 5.0 TurboCTC — компактная мультиязычная ASR-модель на 470M параметров для английского, французского, немецкого, испанского, португальского, итальянского и японского, рассчитанная на ноутбуки, смартфоны и edge-устройства. Состоит из conformer-энкодера с блочным self-attention и обучалась с Connectionist Temporal Classification (CTC); инференс неавторегрессивный с greedy-декодированием, вывод содержит пунктуацию и заглавные буквы.

Данные из карточки

• Обучена примерно на 153 000 часов мультиязычного аудио из публичных корпусов; энкодер — 16 conformer-блоков, hidden 1024, 8 голов внимания, выход на 16 384 мультиязычных BPE-единицы.
• Временное прореживание в 8 раз (со 100 Гц до 12.5 Гц); в энкодере — block-attention блоками по 128 кадров и self-conditioned CTC из среднего слоя.
• Мультиязычное обновление от 21 октября 2026 улучшило средний английский WER относительно англоязычного релиза (5.51 % против 5.78 %).
• На японском модель 470M превосходит 2B-модель granite-speech-5.0-2b по CER на CSJ eval1, CommonVoice-17 и FLEURS.
• Поддерживается нативно в transformers>=5.16.0, а также в mlx-audio для Apple Silicon; исходный англоязычный релиз — 25 августа 2026.