IBM представи на 21 октомври 2026 г. Granite Speech 5.0 — нов модел за разпознаване и превод на реч, заедно с обновявания на Turbo CTC и Granite Speech 4.1 2B Plus. Съобщението разделя три задачи, които в готовите продукти често изглеждат като една: точен текст, бърза обработка и установяване кой е говорил.

Налични са публични моделни страници и тегла. Това е отделна новина от по-ранния Granite Switch 4.1, за който SIExpo вече писа: тук става дума за конкретни модели и обновени тегла за обработка на реч, а не за обединяващ endpoint.

Нов модел и две различни специализации

Според IBM новият `granite-speech-5.0-2b` е предназначен за многоезична транскрипция и превод. Обновеният 470-милионен Turbo CTC е насочен към бърза транскрипция, а 4.1 2B Plus — към записи с повече говорители, времеви отметки и приписване на реплики. Компанията съобщава подобрения; не сме ги възпроизвели независимо.

Моделната карта на 5.0 описва транскрипция на английски, френски, немски, испански, португалски и японски, с отделно описани посоки за превод. Български не е сред обявените основни ASR езици. Публикуваният лиценз е Apache 2.0. Наличието на отворени тегла не означава автоматично готова управлявана услуга за всяко приложение.

Как да се чете обещанието за по-добър разговорен текст

В картата IBM предупреждава за възможни неточни или нежелани изходи и препоръчва употреба за разпознаване и превод. Това е важно ограничение: разпознатият текст не трябва да се приема като безгрешен запис на действителността. Подобрението на един показател не доказва едновременно правилни думи, правилно име на говорителя и точни времеви отметки.

Нашият редакционен пример е система за вътрешни срещи. Тя може да се справя добре с общия смисъл, но грешно да припише задача на друг човек. Затова препоръчваме при оценка да се отделят поне три проверки: съдържанието на репликата, идентификаторът на говорителя и мястото ѝ в записа. Това е предложен тестов подход, а не описан инцидент с Granite.

Собствен запис преди избор на модел

Практичен пилот би включвал кратки и дълги записи от действителния тип работа, за който се планира продуктът. Ако участниците са дали необходимото разрешение за използване на аудиото, екипът може да подготви проверен еталон и да запази еднакъв набор за сравнение. Не препоръчваме публикуване на частни разговори или изпращането им към непроверена демонстрация.

За български екип ключовият въпрос е езиковият обхват. Не бива да се заключава, че общото определение „многоезичен“ покрива български със същите резултати. Смесени разговори, собствени имена и професионална терминология също заслужават отделни проверки. Думите, които имат оперативно значение, трябва да се оценяват заедно с общия текст, а не да се губят в средна стойност.

Предлагаме да се измерва и времето до полезен проверен резултат. Бърз автоматичен текст, който изисква продължително поправяне, може да се окаже по-неудобен от по-бавна, но по-подходяща конфигурация. Това е критерий за конкретния продукт, а не твърдение за измерен недостатък на публикуваните модели.

От отворени тегла до отговорна употреба

За операторите на услуга следват решения за достъп до записите, съхранение, редактиране и потвърждаване на крайния текст. Нашата препоръка е важните протоколи и възложени задачи да имат човешка проверка и връзка към оригиналния момент в аудиото. Автоматичният резултат може да бъде полезна работна версия, без да се представя като окончателно удостоверение.

Екипът може да улесни прегледа, като показва какво вече е проверено и какво остава неясно. Поправено име, неустановен говорител или липсващ пасаж трябва да бъдат видими за човека, който одобрява документа. Това е наше предложение за продукта, а не нова функция на IBM или отчетен резултат от внедряване.

Новината е наличието на новия модел и обновените специализации. Реалната им стойност за конкретна организация ще се установи чрез нейния език, записи и критерии. Корицата е AI илюстрация и не показва действителен интерфейс или резултат от Granite Speech.

Проверено по посочените източници: 2026-10-21T16:25:46.969844+00:00.