IBM ปล่อย Granite Speech 5.0 Turbo CTC — โมเดลถอดเสียง 470M ใต้ Apache-2.0 ที่ถอดเสียงพูด 3.5 ชั่วโมงจบในหนึ่งวินาที

ในวงการถอดเสียงอัตโนมัติ (ASR) การไล่ตาม WER ให้ต่ำที่สุดกลายเป็นเกมที่ผลตอบแทนลดลงเรื่อย ๆ มานานแล้ว โมเดลระดับบนต่างกันในหลักเศษทศนิยม แต่ต้นทุนในการรันต่างกันเป็นสิบเท่า 25 สิงหาคม 2026 ทีม Granite ของ IBM เลือกเล่นอีกด้านของสมการ: ปล่อย Granite Speech 5.0 Turbo CTC โมเดลถอดเสียงขนาด 470 ล้านพารามิเตอร์ ที่ยอมแลกความแม่นยำระดับท็อปไปนิดหน่อย เพื่อแลกกับความเร็วที่อยู่คนละชั้นกับคู่แข่ง

ตัวเลขที่ IBM ยกมาเป็นหัวข้อคือ มากกว่า 12,600 RTFx บน NVIDIA H200 หนึ่งใบ — แปลเป็นภาษาคนคือ ถอดเสียงพูดได้มากกว่า 3.5 ชั่วโมง ภายในเวลาหนึ่งวินาที

สถาปัตยกรรม — ทำไมมันถึงเร็วขนาดนี้

ความเร็วระดับนี้ไม่ได้มาจากการปรับจูน แต่มาจากการเลือกสถาปัตยกรรมที่ต่างออกไปตั้งแต่ต้น:

• เป็น encoder แบบ conformer 16 ชั้น ล้วน ๆ (encoder-only) ไม่มี decoder แบบ autoregressive
• เทรนด้วย CTC (Connectionist Temporal Classification) และถอดรหัสแบบ greedy — คือ ไม่ทำนายทีละโทเคนแบบวนซ้ำ ซึ่งเป็นคอขวดหลักของโมเดล ASR ตระกูล encoder-decoder
• คำศัพท์เอาต์พุตเป็น BPE ขนาด 16,384
• ลดความละเอียดตามแกนเวลา 8 เท่า จาก 100Hz เหลือ 12.5Hz — เฟรมที่ต้องประมวลผลน้อยลงแปดเท่าตั้งแต่ต้นทาง
• ใช้ block-attention บล็อกละ 128 เฟรม พร้อม self-conditioning

จุดที่ต้องเข้าใจให้ตรงคือ นี่ไม่ใช่โมเดลตระกูลเดียวกับ Granite Speech รุ่นที่เป็น speech-LLM มันไม่ตอบคำถามเกี่ยวกับเสียง ไม่สรุปการประชุม ไม่แปลภาษา มันทำอย่างเดียวคือเปลี่ยนเสียงเป็นข้อความ ให้เร็วที่สุดเท่าที่จะเร็วได้ IBM ระบุเป้าหมายการใช้งานไว้ตรง ๆ ว่าเป็น การดีพลอยบน edge — โน้ตบุ๊กและสมาร์ตโฟน

ข้อมูลเทรนคือเสียงภาษาอังกฤษจากแหล่งสาธารณะ ราว 60,000 ชั่วโมง — CommonVoice, MLS, LibriSpeech, VoxPopuli, YODAS, AMI และ Earnings-22 — บวกข้อมูลสังเคราะห์ที่สร้างจากชุดเดียวกัน ใช้เวลาเทรน 10 วันบน H100 แปดใบ ซึ่งเป็นงบที่แล็บขนาดกลางเอื้อมถึง และ IBM ก็เปิดเผยมันตรง ๆ

สองรุ่น สองใบอนุญาต และความต่าง 0.15 จุด

IBM ปล่อยออกมาสองเช็กพอยต์ ซึ่งเป็นจุดที่น่าสนใจที่สุดของรีลีสนี้:

รุ่น	ใบอนุญาต	WER เฉลี่ย (ชุดทดสอบ OpenASR สาธารณะ)
granite-speech-5.0-470m-turboctc	Apache-2.0	5.00%
granite-speech-5.0-470m-turboctc-nc	CC-BY-NC-SA-4.0	4.85%

ความต่างระหว่างสองตัวไม่ใช่สถาปัตยกรรมหรือขนาด แต่คือข้อมูลเทรน: รุ่น -nc เทรนเพิ่มบน GigaSpeech และ SPGI Speech ซึ่งเป็นชุดข้อมูลที่ IBM ไม่สามารถปล่อยโมเดลที่ได้จากมันภายใต้ใบอนุญาตเชิงพาณิชย์ได้ ส่วนรุ่น Apache-2.0 ใช้ชุดข้อมูลที่เล็กกว่าแต่เปิดให้ใช้เชิงพาณิชย์ได้เต็มที่

พูดอีกอย่างคือ IBM ตีราคาความสะอาดของใบอนุญาตไว้ที่ 0.15 จุด WER และวางทั้งสองทางเลือกไว้ให้เลือกเองอย่างโปร่งใส แทนที่จะปล่อยตัวที่แม่นกว่าแล้วซ่อนเงื่อนไขไว้ในบรรทัดเล็ก ๆ

บน FFASR Leaderboard IBM ระบุว่าโมเดลทั้งสองอยู่ที่ อันดับ 5 และอันดับ 9 ด้านความแม่นยำ — ไม่ใช่ที่หนึ่ง และ IBM ก็ไม่ได้อ้างว่าเป็น — แต่เป็น สองโมเดลที่เร็วที่สุดบนกระดาน นี่คือการวางตำแหน่งบน Pareto frontier ไม่ใช่การอ้าง SOTA และควรอ่านแบบนั้น

ข้อจำกัดที่ต้องพูดให้ชัด: ภาษาอังกฤษภาษาเดียว

ข้อจำกัดที่สำคัญที่สุดสำหรับผู้อ่านของบล็อกนี้อยู่ตรงนี้: Granite Speech 5.0 Turbo CTC รองรับภาษาอังกฤษเท่านั้น ไม่มีภาษาไทย ไม่มีภาษาในอาเซียน ไม่มีโหมดหลายภาษา ข้อมูลเทรนทั้ง 60,000 ชั่วโมงเป็นภาษาอังกฤษล้วน และคำศัพท์ BPE 16,384 ก็ถูกสร้างมาบนสมมติฐานนั้น

ดังนั้นถ้าโจทย์ของคุณคือถอดเสียงประชุมภาษาไทย โมเดลนี้ไม่ใช่คำตอบ และไม่มีทางเป็นด้วยการ fine-tune เบา ๆ — มันคือการต้องเทรน tokenizer และ encoder ใหม่แทบทั้งชุด

มุมมอง AI Curator

สิ่งที่ผมชอบในรีลีสนี้คือความซื่อสัตย์ในการวางตำแหน่ง IBM ไม่ได้บอกว่านี่คือโมเดล ASR ที่ดีที่สุด พวกเขาบอกตรง ๆ ว่าอยู่อันดับ 5 และ 9 ด้านความแม่น แต่เร็วที่สุด และแยกใบอนุญาตออกมาสองใบพร้อมอธิบายว่าทำไม 0.15 จุดนั้นถึงมีราคาของมัน ในตลาดที่โมเดลใหม่ทุกตัวประกาศตัวว่าเป็น SOTA ของอะไรสักอย่างเสมอ การเห็นใครสักคนพูดว่า “เราอันดับ 5 แต่เราเร็วกว่าทุกคน” คือความสดชื่น

ในทางปฏิบัติ ตัวเลข 12,600 RTFx สำคัญกว่าตัวเลข WER 5.00% มาก สำหรับงานประเภทหนึ่ง: ถ้าคุณมีคลังเสียงเก่าหลายพันชั่วโมงที่อยากทำดัชนีเพื่อค้นหา ความต่างระหว่าง WER 4.5% กับ 5.0% แทบไม่กระทบผลการค้นหาเลย แต่ความต่างระหว่าง “ประมวลผลจบใน 2 ชั่วโมง” กับ “จบใน 2 สัปดาห์” คือความต่างระหว่างโปรเจกต์ที่ได้ทำกับโปรเจกต์ที่ไม่ได้ทำ และการที่มันเป็น encoder 470M ที่ไม่มี decoder แบบวนซ้ำ ยังแปลว่ามันรันบน CPU ของโน้ตบุ๊กได้จริงโดยไม่ต้องพึ่ง GPU — ซึ่งเปลี่ยนโจทย์ “ถอดเสียงโดยข้อมูลไม่ออกจากเครื่อง” จากงานวิจัยเป็นงานวิศวกรรมธรรมดา

สำหรับทีมไทย บทเรียนที่ควรหยิบไปไม่ใช่ตัวโมเดล แต่คือสูตร: encoder conformer 470M + CTC + downsampling 8 เท่า + 60,000 ชั่วโมง + H100 แปดใบสิบวัน คือใบเสร็จทั้งใบที่ IBM เปิดให้ดู ต้นทุนคอมพิวต์ระดับนั้นไม่ได้อยู่นอกเอื้อมของมหาวิทยาลัยหรือบริษัทขนาดกลางในไทยอีกต่อไป และงานที่ยากที่สุดก็ไม่ใช่คอมพิวต์ — แต่คือการหาเสียงภาษาไทยที่มีทรานสคริปต์คุณภาพดีให้ได้ในระดับหมื่นชั่วโมง ซึ่งเป็นปัญหาที่เงินซื้อไม่ได้ตรง ๆ และเป็นเหตุผลว่าทำไมชุดข้อมูลเสียงภาษาไทยแบบเปิดถึงมีค่ามากกว่าที่คนส่วนใหญ่ประเมิน

แหล่งข่าว

• Extremely Fast and Accurate Transcription with Granite Speech 5.0 Turbo CTC — IBM Granite บน Hugging Face Blog
• ibm-granite/granite-speech-5.0-470m-turboctc (Apache-2.0) — Hugging Face
• IBM Granite — Hugging Face organization