Granite Speech 5.0 Turbo CTC 是什么？

这是 IBM 于 2026-08-25 发布的英语自动语音识别产品：两款 470M 参数、仅编码器的 CTC 模型。与早期 Granite Speech 不同，它们没有语言模型骨干。官方说明见 Hugging Face 上的 IBM Granite 博文。

Apache 2.0 和 NC 两款模型有什么区别？

Apache 2.0 权重（granite-speech-5.0-470m-turboctc）在较小的公开数据集上训练，可用于商业。NC 权重额外用了含 GigaSpeech、SPGI Speech 的数据，许可证为 CC-BY-NC-SA-4.0；IBM 报告其合计 WER 略低（4.85% vs 5.00%）。

12,600 RTFx 有多快？

RTFx 是实时因子的倒数：12,600 表示在 IBM 的 H200 批量推理配置下，模型处理音频比播放快 12,600 倍。IBM 说这相当于一秒处理超过 3.5 小时语音。你的笔记本达不到数据中心 H200 的水平。

Granite Speech 5.0 Turbo CTC 只支持英语吗？

是的。IBM 文档写明仅英语 ASR。早期 Granite Speech 4.1 覆盖更多语言和语音翻译；Turbo CTC 用这些换尺寸和吞吐。混语视频请用托管转写，而不是这份权重。

BibiGPT 会跑 Granite Speech 5.0 吗？

BibiGPT 是视频助手，不是 IBM 控制台。你粘贴链接或文件，拿到文字稿、总结和后续问答。产品里不会加载 470M CTC 权重。

什么是 WER？为什么同时出现 4.85% 和 5.00%？

词错误率是相对参考稿被替换、删除或插入的词所占比例。截至 2026-08-25，IBM 在 OpenASR 公开英语集上报告 NC 模型为 4.85%、Apache 模型为 5.00%。数字越低越好；它不保证专名、数字或你麦克风那一侧的效果。

官方公告在哪里？

一手来源是 IBM Granite 于 2026-08-25 在 Hugging Face 发布的博文，权重在 ibm-granite/granite-speech-5.0-470m-turboctc。IBM Research 同日的 Granite 4.2 博文也提到了这些语音模型；Speech 5.0 这个名字出现在 Hugging Face 上，不在那篇 URL 的 slug 里。

还有哪些相关的 BibiGPT 页面值得一看？

把文件转成文字，用音频转文字。另一篇 2026 开源 ASR 解读见 Qwen3-ASR 详解。要从 YouTube 链接拉文字稿，用 YouTube 逐字稿生成。

Granite Speech 5.0 Turbo CTC 详解

截至 2026-09-01：IBM 于 2026-08-25 发布 Granite Speech 5.0 Turbo CTC——两款紧凑的 470M 英语 ASR 模型。IBM 报告单卡 NVIDIA H200 吞吐超 12,600 RTFx——批量推理下一秒可处理超过 3.5 小时语音。BibiGPT 把视频或播客链接变成带时间戳的文字稿和总结，不用自己接 GPU。

立即转写音频

发布 · 2026-08-25 470M 英语 ASR 下方可试用

Transcribe a file right here

Drop an MP3, WAV, or M4A — BibiGPT returns timestamped text you can copy, without wiring a CTC decoder.

把 BibiGPT 设为 Google 优先来源在热门报道和 AI 概览里看到更多 BibiGPT。

关键事实（90 秒读完）

截至 2026-09-01：IBM 于 2026-08-25 发布 Granite Speech 5.0 Turbo CTC——两款 470M 英语 ASR 模型（Apache 2.0 与 CC-BY-NC-SA-4.0）。IBM 报告单卡 NVIDIA H200 吞吐超 12,600 RTFx——批量推理下一秒可处理超过 3.5 小时语音。最近更新：2026-09-01。

Granite Speech 5.0 Turbo CTC 到底是什么

IBM Research 与 Hugging Face 上的 ibm-granite 组织于 2026-08-25 发布了两款仅编码器的英语 ASR 模型。它们去掉了早期 Granite Speech 模型里的语言模型骨干，整栈参数量压在 470M。

两种许可证，两套训练数据

granite-speech-5.0-470m-turboctc 是 Apache 2.0。带 -nc 的变体额外用了 GigaSpeech、SPGI Speech 等数据，许可证为 CC-BY-NC-SA-4.0。要么要商业自由，要么要略低一点的 WER——同一份权重里两者不能兼得。

宣称单卡 H200 达 12,600+ RTFx

IBM 报告在单卡 NVIDIA H200 上批量推理吞吐超过 12,600× 实时——一秒可转写超过 3.5 小时语音。这是 IBM 公布的数字，不是第三方横评。

OpenASR WER：5.00% 与 4.85%

截至 2026-08-25，在 OpenASR Leaderboard 公开英语测试集上，IBM 报告 Apache 模型合计 WER 为 5.00%，NC 模型为 4.85%。词错误率统计替换、删除和插入——它是分数，不是对你录音里专名的承诺。

做视频和播客的人，这件事意味着什么

又快又开源的 ASR 权重，对打算自建的人有用。多数人只是想补一节课，要的是能当笔记用的字，不是一套 Conformer 栈。后半截活正是 BibiGPT 干的。

边缘 ASR 还不等于产品

这些模型面向笔记本、手机和高吞吐转写机。它们放弃了早期 Granite Speech 里的语音翻译和关键词偏置。你仍然要自己包权重、解码器和存储。

文字稿只是第一步

任何 ASR 吐出来的纯文本，还是要人去读。BibiGPT 接一条链接，返回带时间戳的文字稿，加上 AI 总结和可搜索笔记——两小时录音变成几分钟能扫完的东西。

仅英语是硬限制

两款 Turbo CTC 都是英语 ASR。方言重的中文、日语或混语播客得走别的路径。BibiGPT 粘一条链接就能转写并总结那些录音，不用你自己挑权重。

5 条关键变化（90 秒读完）

来自 IBM 2026-08-25 Granite Speech 5.0 Turbo CTC 发布的核心事实。

1

2026-08-25 发布，两份权重

IBM 在 Hugging Face 上同日放出 granite-speech-5.0-470m-turboctc（Apache 2.0）与 granite-speech-5.0-470m-turboctc-nc（CC-BY-NC-SA-4.0），与 Granite 4.2 语言模型同天。
2

没有语言模型骨干，470M 参数

与 Granite Speech 4.1 不同，Turbo CTC 是仅编码器的 CTC。IBM 去掉了语音翻译和关键词偏置，好让体积小到能上笔记本和手机。
3

宣称单卡 H200 达 12,600+ RTFx

IBM 报告在单卡 NVIDIA H200 上批量推理吞吐超过 12,600× 实时——一秒超过 3.5 小时语音。这是厂商在公开 OpenASR 集上的测量。
4

OpenASR WER 5.00% / 4.85%

截至 2026-08-25，IBM 报告 Apache 模型在 OpenASR 公开英语测试上合计 WER 为 5.00%，NC 模型为 4.85%。在 FFASR 上，IBM 称这一对是当天榜单里最快的两款。
5

WebGPU 流式演示，仅英语

IBM 发布了 Chrome/Edge 的 WebGPU 流式演示。两款模型都是英语 ASR。混语或方言很重的视频，仍需要覆盖更广的转写工作流。

BibiGPT 用户的 3 个典型场景

又快又开源的 ASR 发布哪里重要——以及「链接变笔记」产品真正要干的活在哪。

你要自建、大批量跑英语 ASR

团队在自有 GPU 上转写通话存档时，可以评估 Apache 2.0 权重。然后再把成品丢进 BibiGPT，让人拿到章节，而不是一串生文本。

你只想要课堂笔记

九十分钟课堂录音不需要搭一套 Conformer。把 URL 粘进 BibiGPT，导出带时间戳的文字稿，继续追问。这就是产品路径。

你在对比 2026 的开源 ASR 发布

Granite Speech 5.0 Turbo CTC 是英语、吞吐优先。Qwen3-ASR 覆盖 52 种语言与方言。每个模型家族各留一个 URL；不要合成一张笼统的「开源 ASR」页。

来源

本页事实来自 IBM 自家 2026-08-25 的发布。吞吐与 WER 均为 IBM 报告。

IBM Granite 于 2026-08-25 宣布两款 470M 英语 ASR 模型，报告单卡 H200 吞吐超 12,600 RTFx，OpenASR 公开集 WER 为 5.00%（Apache 2.0）与 4.85%（NC）。
Hugging Face — Extremely Fast and Accurate Transcription with Granite Speech 5.0 Turbo CTC ↗
ibm-granite/granite-speech-5.0-470m-turboctc 模型卡：Apache 2.0、英语、470M、Conformer CTC，发布日期 2026 年 8 月 25 日。
Hugging Face model card — granite-speech-5.0-470m-turboctc ↗
IBM Research 于 2026-08-25 的 Granite 4.2 博文点名 Granite Speech 5.0 Turbo CTC 与 Turbo CTC NC 为当天的语音模型（URL slug 是 Granite 4.2，不是 Speech 5.0）。
IBM Research — Granite 4.2 ↗

本页用到的术语

什么是 WER（词错误率）？

词错误率是相对参考稿被替换、删除或插入的词所占比例。5.00% WER 表示在该测试集上每 100 个参考词大约有 5 处错误。它不会告诉你错的是专名、数字还是语气词——而听的人真正在意的往往是这些。

语音识别里的 RTFx 是什么？

RTFx 表示系统每秒墙钟时间能转写多少秒音频。RTFx 为 12,600 表示报告配置下处理速度是实时的 12,600 倍。这是硬件加批处理的数字，不是对笔记本麦克风的承诺。

深受创作者、学生和研究人员的喜爱

看看大家为什么每天都用 BibiGPT 把视频转成文字。

全球 50,000+ 用户的信赖之选

★★★★★

“贴上链接几秒钟就拿到干净的字幕文字，每周帮我省下好几个小时的手动整理时间。”

Maya R.

内容创作者 · 二次创作短视频

★★★★★

“导出逐字稿后我可以按自己的节奏复习生词，再也不用反复暂停视频了。”

Daniel K.

语言学习者 · 用真实视频学外语

★★★★★

“准确、带时间戳的文字可以直接引用，它已经悄悄成为我日常工作流的一部分。”

Priya S.

研究人员 · 引用公开演讲

常见问题

常见问题解答

有问题？问我们！

跳过解码器栈，直接拿文字稿

粘贴一条 YouTube、Bilibili 或播客链接——或上传文件。BibiGPT 返回带时间戳的文字稿、AI 总结，以及能搜索的笔记。最近更新：2026-09-01。

免费试用 BibiGPT