一份三行的分工表先被排好了：Granite Speech 5.0 的語音工作，是一套要逐項核對的介面

2026 年 10 月，IBM 公布 Granite Speech 系列更新：新推出 Granite Speech 5.0 2B，並更新 470M 的 TurboCTC 與 4.1 2B Plus。從設計的角度看，這次更新最有意思的地方不在單一模型的效能數字，而在「三個模型、三種工作」這張分工表本身。逐字稿這件事被拆開了：多語辨識與翻譯歸 5.0 2B，高吞吐的快速轉錄歸 TurboCTC，多人錄音裡的說話者歸屬與時間戳歸 4.1 2B Plus。使用者得先讀懂這張表，才知道自己要接的是哪一個介面。

三個模型，三種被設計出來的邊界

5.0 2B 是語音語言模型，做自動語音辨識與自動語音翻譯，參數規模與前代 4.1 2B 相同，改善的是英文短音訊、噪音與混響下的穩健性，並加入輸入語言提示與關鍵詞偏置。關鍵詞偏置的設計很實際：把產品名、人名、縮寫列成清單餵給模型，上限 2,000 詞，但 IBM 也明說不能保證這些詞一定正確輸出。這是一個誠實的限制欄位，藥名、型號與數字仍須抽樣覆核。

TurboCTC 是 470M 參數的聲學模型，採 CTC 架構，這次更新為多語版本，主打標點與大小寫輸出，以及遠距收音的改善。它的定位被畫得很窄：大量音檔轉錄與邊緣裝置辨識。它沒有 5.0 2B 的翻譯與提示控制能力，這條邊界是產品設計的選擇，用小參數換吞吐量。

4.1 2B Plus 保留原名稱與介面，更新集中在說話者歸屬、時間戳與長語音辨識。值得注意的是來源特別提醒，「說話者歸屬」只標記哪位說話者在發言，不能用來識別現實身分。會議或客服錄音若要整理輪替發言，得採用 Plus 的對應提示模式，不能把這項功能算到 5.0 2B 頭上。

語言清單是一道要先核對的欄位

模型卡列出 5.0 2B 可辨識英、法、德、西、葡、日語，翻譯以這些語言與英文互譯為主，另列英文翻義大利文與中文。這裡有兩個容易被略過的設計細節。其一，辨識清單與翻譯方向是兩份不同的表，能辨識某語言不代表能翻成任意語言。其二，模型卡上的「Mandarin」不等於已驗證臺灣華語、臺語或中英夾雜的音訊。方言詞、專業術語與語碼切換，都可能在實際語料上露出與基準測試不同的結果。

這與我們先前談過的上下文長度是一套被設計出來的介面是同一類課題：規格表上的標稱值與實際可用的範圍之間，永遠存在一段需要使用者自行驗收的距離。語言提示不能取代實際語料測試，來源的建議是把語言、任務、提示與預期輸出先列成測試案例，再逐項核對。

效能數字是被排版過的訊息

IBM 發表資料稱 5.0 2B 在 Open ASR Leaderboard 的英文短音訊平均字錯率為 5.06%，名列當時開放權重模型第二。但這個數字來自多個公開英文測試集的平均，且資料本身註明為非官方彙整排名。它描述的是特定資料集、硬體與指標下的結果，換到另一個團隊的音檔條件，錯字率不會自動沿用。讀效能數字的方式，跟讀一張排版良好的表格一樣：先看欄位定義，再看數值。

觀點

Granite Speech 這次更新最值得借鏡的設計，是把「語音轉文字」這個籠統需求，拆成三個邊界清楚、各自帶著限制欄位的介面。對要試接的團隊來說，真正的工作不在挑最大的模型，而在把自己的需求放回那張三行的分工表：要翻譯還是只轉錄、要不要說話者標記、音檔的語言與環境條件是什麼。把這幾格填對，數字才開始有意義。