开源语音识别最近出现了一个反常动作。
当同行都在争相把支持语种刷到几十乃至上百种时，IBM 发布的 Granite Speech 5.0 却反向收缩。全系采用商业友好的 Apache 2.0 协议，旗舰 2B 模型的转录语言却直接砍到了仅仅 6 种。
这套动作很容易被看作技术倒退，但企业级场景算的是另一笔账。
官方数据显示，granite-speech-5.0-2b 在 Open ASR Leaderboard 英文短音频测试集上跑出了 5.06% 的平均词错误率（WER），排在开源第二位。同步改版的轻量模型 granite-speech-5.0-470m-turboctc，批量吞吐达到 19,870 倍实时率（RTFx）。面向会议归因的 granite-speech-4.1-2b-plus，时间戳漂移被压缩了一半以上。
一端是榜单高分，一端是近两万倍吞吐，但这绝不是什么通吃一切的神级模型。它是一次目的性极强的工程取舍。
榜单第二名与脱标点清洗
在 390,000 小时公开与合成音频喂养下，5.06% 的词错误率确实亮眼。
但看懂这个数字，必须看清测试规则。Open ASR 官方基准在比对时，会统一移除全部标点符号并转成纯小写。
榜单上的 5.06% 只代表脱掉格式后的纯发音识别准确度。企业在生产环境中极度依赖的原生标点断句、段落排版以及专业专名大写，在榜单分数里完全体现不出来。
输入边界同样卡得很紧。官方建议将单次输入音频切片严格控制在 2 分钟以内。这既不是 Whisper 经典的 30 秒滑动窗口，也不是 NVIDIA Parakeet 的超长局部注意力。
一旦音频超过两分钟，自回归模型的幻觉不确定性就会被放大。企业如果把未经切片的一整段嘈杂会议录音塞进去，复读编造的风险依然存在。上游必须自建语音活动检测（VAD）流水线来保底。
两万倍吞吐背后的双轨账本
媒体讨论大多被 19,870 RTFx 的吞吐抓住了眼球。但天下没有免费的算力午餐。
极速吞吐完全属于参数量 470M 的 TurboCTC 纯编码器模型。这项成绩是在 NVIDIA H200 计算卡上通过深度复用计算图、拉满批处理测得的峰值，并非单路实时听写的延迟。
更关键的是代价。470M 版本为了追求吞吐，彻底移除了自回归解码器。模型无法做语音直译，也无法挂载专有名词偏置词表。
企业若要保证术语纠错与多语言互译，必须使用 2B 旗舰。而自回归解码器逐词生成的开销摆在那里，两万倍吞吐的神话在 2B 模型上并不存在。
专攻会议的 granite-speech-4.1-2b-plus 同样付出了互斥代价。
| 核心指标 | 旧版基线 | 4.1-2b-plus 表现 | 实际业务影响 |
|---|---|---|---|
| 平均时间戳偏移 (AAS) | 210.86 ms | 98.54 ms | 字幕贴合度明显收紧 |
| 关键词偏置 WER | 11.79% | 6.48% | 专有名词与术语纠错率上升 |
| 长语音测试集 WER | 13.53% | 10.22% | 多人长会议断句更连贯 |
| 短语音基准 WER | 6.01% | 6.10% | 通用短句底模轻度受损 |
| 双人通话归因 (CALLHOME) | 2.2% | 3.0% (退步) | 干净双人对话日志精度下滑 |
模型在远场多人会议场景下把时间戳偏移压进了 100 毫秒以内，但在干净的双人通话测试集上，归因错误率反而从 2.2% 变差到了 3.0%。集成商如果图省事，把会议特化版直接替掉呼叫中心质检底模，反而会引来性能退步。
收缩语种，守住专名与翻译
把 39 万小时语料收束到 6 种转录语言，是这次发布最耐人寻味的一刀。
Whisper 铺开近百种语言，阿里的 Qwen3-ASR 覆盖 30 门语言。在多语言基准 FLEURS 上，Qwen3-ASR 1.7B 在 12 语与 20 语测试中压制了 Whisper large-v3，但在扩展到 30 语时，Whisper 又以 8.16% 的 WER 重新反超。
Granite 5.0 压根没进这个百语修罗场。它明确支持的转录语言只有英语、法语、德语、西班牙语、葡萄牙语和日语。
古人讲断臂求全，模型容量有限，均摊给海量长尾语言往往换来普遍平庸。收回来的参数被押在两个工业痛点上。
一是双向语音翻译。Whisper 原生只支持外语译为英语，无法直接把英文发言转译成德文或法文。Granite 5.0 2B 补齐了这 5 种语言与英语的双向互译，并追加了英语单向直译到中文普通话与意大利语。
二是单次支持最多 2,000 个专有词汇的列表偏置（Keyword Biasing）。通用模型在企业财报听写中拼错医药代号和自研架构名，是落地阶段的顽疾。注入大容量偏置词表，是极具工程实操价值的设计。
传统做法往往是先跑通用 ASR，再串联标点模型、翻译模块与专名纠错脚本。流水线越长，显存开销越大，累积延迟越高。把标点、双向翻译与 2,000 个偏置词直接焊进一个端到端 2B 模型，正是为了砍掉这些拼装链条。
选型路径由此变得清晰。
海量录音的存量离线转录，上 H200 跑 470M TurboCTC 压榨成本；跨国会议纪要与强术语场景，用 2B 模型搭配 2 分钟切片流水线；如果业务高度依赖几十种罕见语系，这套模型并不合适。
大而全的故事在消费端容易被买单，但企业级私有化部署看重的是合规边界与确定的计算账本。放弃百种语种的虚名，把六门语言、专名词表和商业授权做实，这刀切得并不漂亮，但确实足够清醒。