IBM ปล่อย Granite Speech 5.0 2B (Apache-2.0) — WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ของโมเดลเปิดบน Open ASR Leaderboard, TurboCTC 470M รองรับหลายภาษาและเร็วขึ้น 1.6 เท่า แต่ยังไม่มีภาษาไทย
IBM ปล่อยโมเดลถอดเสียงชุดใหม่เมื่อ 21 ต.ค. 2026 ตัวหลักคือ granite-speech-5.0-2b ขนาด 2B พารามิเตอร์ ใช้ไลเซนส์ Apache-2.0 IBM ระบุว่าได้ WER ภาษาอังกฤษเฉลี่ย 5.06% บนชุดทดสอบ short-form ของ Open ASR Leaderboard ซึ่งเป็น อันดับ 2 ในกลุ่มโมเดล ASR แบบ open-weight นอกจากนี้ยังอัปเดตอีกสองตัวในตระกูลเดียวกัน
จุดที่สำคัญสำหรับนักพัฒนาคือรองรับ runtime ที่ใช้กันอยู่แล้ว ได้แก่ Transformers, vLLM, llama.cpp และ mlx-audio จึงรันบน GPU เซิร์ฟเวอร์และบน Mac ได้โดยไม่ต้องใช้ stack พิเศษ
สามโมเดลในรอบนี้
granite-speech-5.0-2b (ใหม่)
- ถอดเสียงได้ 6 ภาษา: อังกฤษ ฝรั่งเศส เยอรมัน สเปน โปรตุเกส ญี่ปุ่น และแปลไป/กลับจากอังกฤษในภาษาเหล่านั้น บวกแปลอังกฤษเป็นอิตาเลียนและจีนกลาง
- ดีขึ้นจาก 4.1-2b เรื่องความแม่นภาษาอังกฤษ ทนเสียงรบกวนและเสียงก้อง สั่งระบุภาษาผ่าน prompt ได้ รองรับ keyword list สูงสุด 2,000 คำ (เหมาะกับศัพท์เฉพาะ ชื่อคน ชื่อสินค้า) และเลือกเปิดหรือปิดเครื่องหมายวรรคตอนกับตัวพิมพ์ใหญ่ได้
granite-speech-5.0-470m-turboctc (อัปเดต)
- ตัวเล็กที่เน้นความเร็ว ตอนเปิดตัวเดือน ส.ค. รองรับแค่ภาษาอังกฤษ ตอนนี้รองรับอังกฤษ ญี่ปุ่น สเปน เยอรมัน ฝรั่งเศส อิตาเลียน โปรตุเกส มีเครื่องหมายวรรคตอนในตัว
- ความเร็ว 19,870 RTFx จากราว 12,600 ตอนเปิดตัว (ราว 1.6 เท่า) โดยความแม่นเท่าเดิม ตัวนี้คือ ASR ที่ IBM ฝังใน Granite Switch 4.1
granite-speech-4.1-2b-plus (อัปเดต weights)
- สถาปัตยกรรม prompt และ API เหมือนเดิม จึงเปลี่ยนแทนกันได้ทันที เน้นการบันทึกที่มีผู้พูดหลายคน
- timestamp shift เฉลี่ยลดจาก 210.86 เหลือ 98.54, long-form WER ลดจาก 13.53 เหลือ 10.22, WER ของ keyword ที่ bias ไว้ (list 20 คำ) ลดจาก 11.79 เหลือ 6.48, cpWER ลดจาก 30.50 เหลือ 28.48
ภาษาไทยอยู่ตรงไหน
ไม่มีโมเดลไหนในรอบนี้รองรับภาษาไทย ภาษาเอเชียที่รองรับมีแค่ญี่ปุ่น (และจีนกลางในฐานะภาษาปลายทางของการแปลจากอังกฤษ) ตัวเลข 5.06% เป็นภาษาอังกฤษล้วน และเป็นตัวเลขที่ IBM รายงานเองจาก leaderboard ยังไม่มีผลวัดอิสระของภาษาอื่น
มุมมอง AI Curator
ตลาด ASR แบบเปิดตอนนี้แข่งกันที่ภาษาอังกฤษจน WER เหลือราว 5% กันหมดแล้ว จุดที่ทำให้ Granite Speech ต่างคือของที่ใช้งานจริงในองค์กร ได้แก่ keyword list 2,000 คำ timestamp ที่แม่นขึ้นสำหรับซับไตเติล ความสามารถแยกผู้พูด และไลเซนส์ Apache-2.0 ที่ไม่มีเงื่อนไขซ่อน การรองรับ llama.cpp กับ mlx-audio ตั้งแต่วันแรกก็สำคัญ เพราะงานถอดเสียงประชุมเป็นงานที่หลายองค์กรอยากรันในเครื่องเพื่อไม่ให้เสียงออกนอกบริษัท
สำหรับผู้อ่านไทย ข่าวนี้ใช้ได้เต็มที่เฉพาะงานภาษาอังกฤษหรือญี่ปุ่น เช่น ถอดเสียงประชุมกับลูกค้าต่างชาติหรือทำซับวิดีโอส่งออก ถ้าต้องการภาษาไทยในเครื่อง ตัวเลือกยังเป็นตระกูล Whisper ที่ fine-tune ภาษาไทย หรือโมเดลเสียงจากทีมไทย การที่ผู้ผลิตรายใหญ่ทยอยเพิ่มภาษาในแต่ละรุ่น (TurboCTC ไปจาก 1 เป็น 7 ภาษาในสองเดือน) ทำให้น่าจับตาว่าภาษาไทยจะถูกนับเป็นภาษาสำคัญเมื่อไร แต่จนกว่าจะถึงตอนนั้น ทีมไทยไม่ควรเลือก ASR จากตัวเลข WER ภาษาอังกฤษบน leaderboard
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service