Granite Speech em português: escolha pelo áudio real, não pelo ranking em inglês

A IBM apresentou o granite-speech-5.0-2b, uma revisão do granite-speech-5.0-470m-turboctc e novos pesos do granite-speech-4.1-2b-plus, todos sob Apache 2.0 e com suporte nativo em Transformers.[16] As opções separam prioridades de precisão e tradução, processamento rápido e identificação de falantes em gravações longas.[16]

O que muda para quem desenvolve

O 5.0 de 2 bilhões de parâmetros transcreve português, além de outros cinco idiomas, e oferece tradução entre inglês e essas línguas.[16] Também permite favorecer vocabulário com listas de até dois mil termos, uma capacidade relevante para nomes próprios e siglas.[16]

O Turbo CTC mantém 470 milhões de parâmetros e adiciona português entre os idiomas atendidos, com pontuação e capitalização nativas.[16] Já os novos pesos do 4.1 Plus priorizam múltiplos falantes e gravações longas.[16] Escolher um único modelo para todo áudio pode simplificar a operação, mas precisa ser uma decisão medida.

A IBM apresenta média de erro por palavra de 5,06% para o 5.0 2B em testes públicos de inglês curto.[16] Esse resultado não mede automaticamente qualidade em português nem desempenho em reuniões longas.[16] Minha leitura é simples: um ranking distante do domínio de uso serve para selecionar candidatos, não para aprovar uma implantação.

Como aplicar

Monte um lote autorizado de áudio em português com referência humana: fala limpa, microfone distante, ruído, nomes próprios, siglas e sobreposição de vozes. Separe material de ajuste e material de avaliação para não confundir adaptação ao exemplo com qualidade geral.

Proponho medir erros de transcrição, acerto dos termos importantes, tempo de processamento, consumo de memória e tempo de revisão humana. Para reuniões, acrescente a atribuição correta de cada fala e a utilidade dos timestamps.

Teste as listas de vocabulário com e sem termos favorecidos, preservando o mesmo áudio e a mesma configuração. Uma palavra importante corretamente transcrita pode valer mais para o fluxo do que uma pequena melhora numa média geral.

Cuidados e limites

O ganho de velocidade do Turbo CTC e as melhorias relativas do 4.1 Plus foram apresentados pela IBM sob condições específicas de avaliação.[16] RTFx descreve processamento relativo à duração do áudio no benchmark, não uma promessa de latência interativa em qualquer notebook.[16]

Licenciamento aberto não resolve acesso, consentimento e retenção dos áudios. Defina essas regras antes de integrar gravações reais. Minha recomendação é começar com revisão humana e critérios de rejeição: se faltam falas ou a separação de participantes é incerta, o sistema deve sinalizar a limitação, não produzir uma ata confiante com atribuições inventadas.

Fonte

[16] Fonte: Hugging Face Blog / IBM