A IBM anunciou em 21 de outubro de 2026 uma atualização de sua família de modelos de inteligência artificial para processamento de voz. O pacote Granite Speech 5.0 inclui um novo modelo para transcrição e tradução multilíngue e versões revisadas de outros dois sistemas, voltados à velocidade e à identificação de quem está falando. A empresa disponibilizou os modelos com licença Apache 2.0, que permite uso e adaptação comercial sob seus termos.
O que muda para quem fala português
O principal lançamento, Granite Speech 5.0 2B, reconhece fala em português, inglês, francês, alemão, espanhol e japonês. Ele também oferece tradução de áudio de e para o inglês nesses idiomas, além de tradução do inglês para italiano e mandarim. O sistema não deve ser confundido com um gerador de voz: sua função central é transformar gravações em texto e traduzir conteúdo falado.
Segundo a apresentação técnica da equipe Granite, o modelo foi treinado com cerca de 390 mil horas de áudio público, complementadas por dados sintéticos. Ele aceita instruções para identificar o idioma de entrada e listas de até 2 mil termos que ajudam a reconhecer nomes próprios, marcas e palavras técnicas.
Para usuários brasileiros, o suporte ao português pode ser útil na transcrição de entrevistas, reuniões, aulas e podcasts. Isso não garante precisão uniforme em todos os sotaques, ambientes ruidosos ou gravações longas: cada aplicação precisa ser testada com seus próprios áudios.
Três modelos para tarefas diferentes
A atualização não se resume ao modelo de 2 bilhões de parâmetros. A IBM descreve três opções com finalidades distintas:
- Granite Speech 5.0 2B: transcrição e tradução multilíngues, com foco em precisão, resistência a ruídos e termos específicos.
- Granite Speech 5.0 Turbo CTC (470 milhões de parâmetros): transcrição rápida, agora em sete idiomas, incluindo português e italiano, com pontuação e letras maiúsculas automáticas.
- Granite Speech 4.1 2B Plus (atualizado): voltado a reuniões e chamadas com múltiplas pessoas, melhorando a atribuição de falas, marcações de tempo e desempenho em gravações extensas.
Nos testes divulgados pela própria IBM, o Turbo CTC alcançou velocidade de processamento equivalente a 19.870 vezes a duração do áudio em condições específicas de benchmark, ante aproximadamente 12.600 na versão anterior. Já o modelo 4.1 2B Plus reduziu em 24% a taxa de erro em testes de fala longa. São resultados informados pela fabricante, não uma validação independente de desempenho em computadores comuns.
Como acessar e quais são os limites
Os pesos, as fichas técnicas e exemplos de uso estão disponíveis na coleção IBM Granite no Hugging Face. O modelo principal oferece integração com Transformers, vLLM, llama.cpp e mlx-audio, inclusive opções para máquinas Apple Silicon. O acesso aberto aos pesos não significa que todo computador consiga executá-lo com a mesma velocidade.
A ficha oficial do Granite Speech 5.0 2B recomenda dividir gravações longas em trechos de aproximadamente dois minutos antes do processamento. Para equipes que trabalham com dados sensíveis, também é necessário avaliar privacidade, armazenamento e revisão humana dos resultados.
O lançamento amplia as opções de IA de voz com pesos abertos, especialmente para desenvolvedores que precisam trabalhar em português e não querem depender exclusivamente de serviços de transcrição hospedados por terceiros. A comparação real com ferramentas concorrentes dependerá de testes independentes, custos de infraestrutura e qualidade dos áudios.
Imagem: entrada da sede da IBM, fotografia de arquivo de Mark Hillary (2010), Wikimedia Commons, licença CC BY 2.0. A imagem não mostra o modelo de IA.
Fontes
IBM Granite Team / Hugging Face ↗
https://huggingface.co/blog/ibm-granite/granite-speech-5 | https://huggingface.co/ibm-granite/granite-speech-5.0-2b | https://huggingface.co/ibm-granite/granite-speech-5.0-470m-turboctc | https://huggingface.co/ibm-granite/granite-speech-4.1-2b-plus