A 2026-09-01, IBM lanzó Granite Speech 5.0 Turbo CTC el 2026-08-25: dos modelos ASR en inglés compactos de 470M. IBM reporta más de 12,600 RTFx en un NVIDIA H200 — más de 3.5 horas de habla en un segundo con inferencia por lotes. BibiGPT convierte un enlace de video o podcast en una transcripción con timestamps y un resumen, sin que tengas que cablear una GPU.
Drop an MP3, WAV, or M4A — BibiGPT returns timestamped text you can copy, without wiring a CTC decoder.
A 2026-09-01, IBM lanzó Granite Speech 5.0 Turbo CTC el 2026-08-25: dos modelos ASR en inglés de 470M (Apache 2.0 y CC-BY-NC-SA-4.0). IBM reporta más de 12,600 RTFx en un NVIDIA H200 — más de 3.5 horas de habla en un segundo con inferencia por lotes. Última actualización 2026-09-01.
IBM Research y la org ibm-granite en Hugging Face lanzaron dos modelos ASR en inglés solo-encoder el 2026-08-25. Quitan el backbone modelo de lenguaje de los Granite Speech anteriores para que el stack se quede en 470 millones de parámetros.
granite-speech-5.0-470m-turboctc es Apache 2.0. La variante -nc entrena con datos extra (GigaSpeech, SPGI Speech) y es CC-BY-NC-SA-4.0. Elige libertad comercial o un WER un poco más bajo — no ambos en un solo checkpoint.
IBM reporta más de 12,600× throughput en tiempo real en un solo NVIDIA H200 con inferencia por lotes — suficiente para transcribir más de 3.5 horas de habla en un segundo. Es la cifra publicada por IBM, no un bake-off independiente.
En los sets públicos de inglés del OpenASR Leaderboard a 2026-08-25, IBM reporta 5.00% de WER agregado para el modelo Apache y 4.85% para el NC. Word error rate cuenta sustituciones, eliminaciones e inserciones — el número es un score, no una promesa sobre nombres en tu grabación.
Un checkpoint ASR open rápido sirve a quien va a self-hostear. La mayoría de quienes tienen una clase por ponerse al día necesitan las palabras como notas, no un stack Conformer. Ese segundo trabajo es para lo que está BibiGPT.
Estos modelos están pensados para laptops, teléfonos y cajas de transcripción de alto throughput. Renuncian a speech translation y keyword biasing que tenían los Granite Speech anteriores. Aún tienes que envolver pesos, un decoder y almacenamiento.
El texto crudo de cualquier modelo ASR todavía hay que leerlo. BibiGPT toma un enlace y devuelve una transcripción con timestamps más un resumen IA y notas buscables — para que una grabación de dos horas se vuelva algo que puedas escanear.
Ambos modelos Turbo CTC son ASR en inglés. Podcasts con chino dialectal, japonés o idiomas mezclados necesitan otro camino. BibiGPT transcribe y resume esas grabaciones desde un enlace pegado sin que elijas un checkpoint.
Hechos principales del lanzamiento Granite Speech 5.0 Turbo CTC de IBM del 2026-08-25.
IBM publicó granite-speech-5.0-470m-turboctc (Apache 2.0) y granite-speech-5.0-470m-turboctc-nc (CC-BY-NC-SA-4.0) en Hugging Face el mismo día que los modelos de lenguaje Granite 4.2.
A diferencia de Granite Speech 4.1, Turbo CTC es CTC solo-encoder. IBM eliminó speech translation y keyword biasing para mantener el footprint lo bastante pequeño para laptops y teléfonos.
IBM reporta más de 12,600× throughput en tiempo real con inferencia por lotes en un solo NVIDIA H200 — más de 3.5 horas de habla en un segundo. Es una medición del vendor en sets públicos OpenASR.
A 2026-08-25 IBM reporta 5.00% de WER agregado para el modelo Apache y 4.85% para el NC en tests públicos de inglés OpenASR. En FFASR, IBM dice que el par fueron los dos modelos listados más rápidos ese día.
IBM publicó una demo streaming WebGPU para Chrome/Edge. Ambos modelos son ASR en inglés. Video con idiomas mezclados o dialectos densos sigue necesitando un flujo de transcripción más amplio.
Dónde importa un lanzamiento ASR open rápido — y dónde el producto real es ir de enlace a notas.
Un equipo que transcribe archivos de llamadas en sus propias GPUs puede evaluar el checkpoint Apache 2.0. Luego igual echa los archivos terminados a BibiGPT para que las personas reciban capítulos, no un stream crudo de unidades.
Una grabación de clase de 90 minutos no necesita un stack Conformer. Pega la URL en BibiGPT, exporta la transcripción con timestamps y sigue haciendo preguntas. Ese es el camino de producto.
Granite Speech 5.0 Turbo CTC es inglés y prioriza throughput. Qwen3-ASR cubre 52 idiomas y dialectos. Mantén una URL por familia de modelos; no las fusiones en una sola página de «ASR open».
Flujos de transcripción y notas que combinan con este lanzamiento.
Suelta un MP3, WAV o M4A y obtén texto con timestamps.
Convierte un enlace o archivo de video en una transcripción buscable.
La contraparte ASR open multilingüe del equipo Qwen de Alibaba.
Otra página de evento ASR open 2026 — 2B, 14 idiomas.
Saca una transcripción completa desde una URL de YouTube.
Los hechos de esta página vienen de los posts propios de IBM del 2026-08-25. Throughput y WER son reportados por IBM.
IBM Granite anunció dos modelos ASR en inglés de 470M el 2026-08-25, reportando más de 12,600 RTFx en un H200 y WER de sets públicos OpenASR de 5.00% (Apache 2.0) y 4.85% (NC).
Hugging Face — Extremely Fast and Accurate Transcription with Granite Speech 5.0 Turbo CTC ↗Model card de ibm-granite/granite-speech-5.0-470m-turboctc: Apache 2.0, inglés, 470M, Conformer CTC, fecha de lanzamiento 25 August 2026.
Hugging Face model card — granite-speech-5.0-470m-turboctc ↗El post Granite 4.2 de IBM Research del 2026-08-25 nombra Granite Speech 5.0 Turbo CTC y Turbo CTC NC como los modelos de speech del día (el slug de la URL es Granite 4.2, no Speech 5.0).
IBM Research — Granite 4.2 ↗Word error rate es la fracción de palabras que se sustituyeron, eliminaron o insertaron frente a una transcripción de referencia. Un WER de 5.00% significa cinco errores por cada 100 palabras de referencia en ese set de prueba. No te dice si los errores son nombres, números o relleno — que es lo que los oyentes realmente notan.
RTFx es cuántos segundos de audio transcribe un sistema por segundo de tiempo de pared. Un RTFx de 12,600 significa que el setup reportado procesó audio 12,600 veces más rápido que tiempo real. Es un número de hardware y batching, no una promesa sobre el micrófono de una laptop.
Por qué la gente usa BibiGPT cada día para convertir vídeos en texto.
Más de 50 000 usuarios en todo el mundo confían en nosotros
“Pego un enlace y obtengo subtítulos limpios en segundos: me ahorra horas de transcripción cada semana.”
Maya R.
Creadora de contenido · Reutiliza vídeos cortos
“Exportar la transcripción me permite repasar vocabulario a mi ritmo en lugar de pausar el vídeo constantemente.”
Daniel K.
Estudiante de idiomas · Estudia con vídeos reales
“Texto preciso con marcas de tiempo que puedo citar directamente. Sin darme cuenta, ya es parte de mi rutina diaria.”
Priya S.
Investigadora · Cita charlas públicas
FAQ
Resolvemos cualquier duda.
1 ¿Mejor herramienta de resumen de video con IA para Bilibili en 2026? BibiGPT soporta 30+ plataformas con 1M+ usuarios. Pega cualquier link de Bilibili para resúmenes estructurados al instante. Compara las top 5 herramientas más automatización con AI agent.
2 Install a video-summary skill into DeepSeek Harness in one copy-paste — SKILL.md matches Claude Code. Or skip dsh: paste a Bilibili or YouTube link in the browser and get a timestamped summary.
3 Reverse any video free with no app and no download, right in your browser. Step-by-step for iPhone, Android, and PC, plus how to reverse audio (2026).
Pega un enlace de YouTube, Bilibili o podcast — o sube un archivo. BibiGPT devuelve una transcripción con timestamps, un resumen IA y notas que puedes buscar. Última actualización 2026-09-01.
