IBM Granite Speech 5.0: transcripción de 3.5 horas por segundo

⏱ Tiempo de lectura: 3 min

IBM lanzó el 25 de agosto de 2026 dos modelos compactos de reconocimiento de voz en inglés, Granite Speech 5.0 TurboCTC y una variante no comercial. Ambos procesan más de 3.5 horas de audio en un solo segundo, un rendimiento que según IBM no ha sido publicado por ningún modelo abierto hasta ahora. Cada modelo cuenta con 470 millones de parámetros y alcanza un rendimiento agregado superior a 12,600 RTFx en una sola GPU NVIDIA H200.

Rendimiento sin precedentes en modelos abiertos de voz

IBM reporta que el audio fluye a través de los modelos más de doce mil veces más rápido que en tiempo real, según los números proporcionados por la empresa. El modelo TurboCTC está optimizado para velocidad y eficiencia, mientras que la variante no comercial permite experimentación y desarrollo sin restricciones comerciales. Ambas versiones utilizan la arquitectura CTC (Connectionist Temporal Classification), estándar en tareas de transcripción de audio de bajo consumo. Los avances en modelos de lenguaje y voz buscan reducir latencia y costo computacional en aplicaciones de tiempo real.

Datos técnicos y capacidades confirmadas

Granite Speech 5.0 TurboCTC: 470 millones de parámetros, 12,600+ RTFx en H200, procesamiento en inglés. Variante no comercial: misma arquitectura, sin restricciones de licencia, enfoque en investigación y desarrollo. GPU requerida: NVIDIA H200. Métrica de referencia: RTFx (Real-Time Factor, donde valores superiores a 1 indican procesamiento más rápido que tiempo real). IBM no detalla en el comunicado precisión en reconocimiento (WER), compatibilidad con otros idiomas, latencia de inicio, tamaño de archivo del modelo descargado o integración con APIs externas. Fuente original en www.unite.ai

Elemento	Detalle
Modelo 1	Granite Speech 5.0 TurboCTC
Modelo 2	Granite Speech 5.0 (variante no comercial)
Parámetros	470 millones (ambos)
Rendimiento máximo	12,600+ RTFx en GPU NVIDIA H200
Velocidad de transcripción	3.5+ horas de audio por segundo
Lenguaje	Inglés
Fecha de lanzamiento	25 de agosto de 2026
Arquitectura	CTC (Connectionist Temporal Classification)
Licencia TurboCTC	Comercial
Licencia variante	No comercial, abierta

Por qué este dato es relevante

La velocidad de procesamiento es crítica en aplicaciones de transcripción en tiempo real: centros de contacto, subtitulado automático, asistentes de voz y análisis de contenido multimedia. Un modelo compacto que procesa audio 12.600 veces más rápido que tiempo real permite desplegar soluciones en hardware más accesible, reduciendo costos de infraestructura. IBM sitúa a Granite Speech 5.0 como referente en eficiencia para la comunidad hispanohablante que necesita herramientas de voz locales y sin dependencia de APIs propietarias.

Preguntas frecuentes sobre Granite Speech 5.0

¿Qué es RTFx y por qué importa?

RTFx mide cuántas veces más rápido procesa un modelo el audio respecto a su duración. Un RTFx de 12.600 significa que 1 segundo de audio se transcribe en 0.00008 segundos. Esto permite manejar flujos de audio masivos sin espera perceptible.

¿Cuándo estará disponible para descargar?

IBM indicó lanzamiento el 25 de agosto de 2026, pero el texto fuente no especifica si ya está disponible en repositorios como Hugging Face, GitHub o sitios de IBM. Se recomienda verificar directamente en canales oficiales de IBM.

¿Funciona con español u otros idiomas?

No se especifica en el texto fuente recibido. El lanzamiento menciona modelos en inglés; IBM no detalla planes para otros idiomas o fecha de soporte multilingüe.

La lectura para quienes usan IA a diario

Granite Speech 5.0 representa un paso importante en eficiencia de modelos de voz abiertos: menos parámetros, mayor velocidad, sin sacrificar arquitectura probada. Para desarrolladores y empresas que despliegan transcripción propia, es una alternativa a APIs propietarias que cobra por minuto o solicitud. El enfoque dual (comercial y no comercial) amplía opciones según caso de uso.

En Inteligencia Artificial creemos que la apertura de modelos compactos y rápidos acelera la adopción de soluciones de IA en organizaciones medianas. ¿Tu empresa necesita transcripción de voz sin depender de servicios en la nube?

Fuente: www.unite.ai