Nyelvi és kulcsszavas vezérlést kapott az IBM Granite Speech

Az IBM október 21-i bejelentése a beszéd szöveggé alakítására vagy lefordítására készült Granite Speech 5.0 2B modellt mutatja be. A fejlesztők megadhatják a bemeneti nyelvet, és legfeljebb 2000 kulcsszóval terelhetik a felismerést nevek és rövidítések felé.

A 2B modell dokumentációja angol, francia, német, spanyol, portugál és japán beszéd átírását sorolja fel. A jobb eredményhez az IBM legfeljebb körülbelül kétperces hangrészleteket javasol, a hosszabb felvételeket pedig a feldolgozás előtt ajánlja felbontani. Ez ajánlott munkamenet, nem annak állítása, hogy minden hosszabb felvétel feldolgozása sikertelen. A dokumentáció használati példákat ad a Transformers, vLLM, llama.cpp és mlx-audio környezetekhez. Arra is figyelmeztet, hogy a válasz pontatlan, elfogult vagy nem kívánt lehet.

A kapcsolódó Turbo CTC modell kis késleltetésű vagy nagy áteresztőképességű átírásra szolgál. Október 21-i frissítése a korábban csak angolul működő modellt angol, francia, német, spanyol, portugál, olasz és japán beszédre terjeszti ki. Az átiratok írásjeleket és megfelelő nagybetűzést is tartalmaznak. Ez 470 millió paraméteres modell; dokumentált natív Transformers-integrációjához az 5.16.0-s vagy újabb verzió szükséges.

Azokhoz a felvételekhez, amelyeknél a beszélők azonosítása és megszólalásuk időzítése számít, az IBM kiadási útmutatója a külön frissített 4.1 2B Plus modellt jelöli meg.

Az október 22-i MarkTechPost-beszámoló szintén ismerteti a kiadást, és az IBM blogjára, valamint modelldokumentációjára irányítja az olvasót.