IA Multimodal✦ Gerado por IA

Granite Speech 5.0: Transcrição e Tradução de Áudio Mais Rápidas e Precisas

A nova coleção Granite Speech 5.0 da IBM traz modelos de inteligência artificial otimizados para transcrição multilíngue, tradução em tempo real e atribuição precisa de falas em reuniões corporativas.

Edição de ·Hugging Face Blog·4 min de leitura·
CompartilharWhatsAppXLinkedInFacebook
💡

Principal Aprendizado

O Granite Speech 5.0 combina alta velocidade de processamento com suporte robusto ao português e controle refinado de termos técnicos para uso corporativo.

A IBM anunciou o lançamento da coleção Granite Speech 5.0, uma evolução significativa em sua linha de modelos de linguagem voltados para o processamento de voz. O conjunto de ferramentas chega ao mercado com três pilares principais: o modelo Granite Speech 5.0 2B, a versão Turbo CTC atualizada e o aprimorado Granite Speech 4.1 2B Plus. Juntos, esses modelos buscam resolver desafios críticos do ambiente corporativo, como a precisão em ambientes ruidosos e a identificação correta de quem está falando em reuniões complexas.

O destaque da atualização é o Granite Speech 5.0 2B, sucessor direto da versão anterior que mantém a eficiência computacional enquanto amplia drasticamente suas capacidades. Este modelo agora suporta transcrição em português, inglês, francês, alemão, espanhol e japonês. Além disso, ele realiza traduções bidirecionais entre esses idiomas e o inglês, incluindo suporte adicional para mandarim e italiano. Treinado com 390 mil horas de áudio público e dados sintéticos, o modelo se posiciona como o segundo melhor em precisão de transcrição de inglês entre os modelos de pesos abertos disponíveis no mercado.

Precisão técnica e controle do usuário

Uma das maiores inovações do Granite Speech 5.0 2B é a introdução do controle por comandos para identificação de idioma e formatação. Agora, os usuários podem especificar o idioma de entrada diretamente no prompt, o que melhora a estabilidade da transcrição multilíngue. Outro avanço importante é a capacidade de solicitar pontuação e capitalização nativas, eliminando a necessidade de etapas de pós-processamento de texto. A precisão na capitalização de letras atingiu níveis entre 89,7% e 99,5% nos testes realizados pela IBM.

Para empresas que lidam com termos técnicos ou nomes próprios complexos, a IBM expandiu a lista de termos de viés para até 2.000 palavras. Isso permite que o modelo priorize nomes de produtos, acrônimos específicos da indústria e nomes de pessoas, reduzindo erros em contextos especializados. Além disso, a robustez contra ruídos de fundo e reverberação foi aprimorada, tornando o modelo ideal para transcrições feitas com microfones distantes ou em salas com acústica desafiadora.

Velocidade extrema e inteligência em reuniões

Para cenários que exigem processamento imediato ou em dispositivos de borda, a IBM atualizou o Granite Speech 5.0 Turbo CTC. Este modelo de 470 milhões de parâmetros agora é multilíngue e se tornou 1,6 vezes mais rápido que sua versão original, alcançando uma taxa de processamento impressionante. A otimização foi possível através da compilação de blocos específicos de arquitetura, o que reduziu o tempo de aquecimento do sistema e permitiu transcrições quase instantâneas sem sacrificar a qualidade do texto final.

Já o modelo Granite Speech 4.1 2B Plus foca na organização de diálogos. Ele foi ajustado especificamente para chamadas de suporte, entrevistas e reuniões com múltiplos participantes. A IBM conseguiu reduzir o erro de atribuição de fala em 7% e melhorar a precisão dos carimbos de tempo em mais de 50%. Na prática, isso significa que as legendas geradas estarão muito mais sincronizadas com o áudio original e que o sistema terá muito mais facilidade em distinguir quando um interlocutor interrompe o outro, um problema comum em ferramentas de transcrição convencionais.

O que isso muda para você

Para o profissional brasileiro, a chegada do suporte robusto ao português em modelos de pesos abertos como o Granite 5.0 representa uma oportunidade de soberania de dados e redução de custos. Ao utilizar modelos que rodam localmente ou em infraestrutura própria via Apache 2.0, empresas podem transcrever reuniões confidenciais e chamadas de clientes sem depender de APIs de terceiros que cobram por volume e podem processar dados fora do país.

A aplicação prática mais imediata está na automação de atas de reunião e na criação de bases de conhecimento pesquisáveis. Com a melhoria na atribuição de falas e nos carimbos de tempo, o trabalho de revisar uma transcrição para encontrar uma decisão específica tomada em uma chamada de uma hora torna-se muito mais rápido. O próximo passo concreto para desenvolvedores e gestores de TI é testar o modelo Turbo CTC em aplicações internas que exigem baixa latência, aproveitando a nova capacidade de pontuação nativa para entregar textos prontos para leitura humana sem esforço adicional.

📰 Com base em reportagem de Hugging Face Blog. Texto produzido com apoio de inteligência artificial, com curadoria e edição de Robson Benfica Conceição, com análise própria do que a notícia muda para quem trabalha no Brasil. Veja como produzimos.

📬 Newsletter Gratuita

As principais notícias de IA do dia, curadas por Robson Conceição. Grátis, todo dia no seu e-mail.

Gostou do conteúdo?

Compartilhe com quem também quer entender IA no trabalho.

CompartilharWhatsAppXLinkedInFacebook

Leia também