IBM lance Granite 4.0 1B Speech, un modèle vocal multilingue compact pour l'IA en périphérie

IBM a lancé Granite 4.0 1B Speech, un modèle compact voix-langage pour la reconnaissance vocale multilingue et la traduction bidirectionnelle. Ce qui compte ici n'est pas seulement une nouvelle version, mais le pari d'IBM sur les usages en production, où la mémoire, la latence et le coût d'inférence pèsent autant que la qualité sur les benchmarks.

Ce qui change

Granite 4.0 1B Speech remplace les configurations plus lourdes de la gamme Granite Speech et mise sur l'efficacité. Selon IBM, le modèle compte deux fois moins de paramètres que granite-speech-3.3-2b, tout en gagnant en précision pour l'ASR anglais, en prenant en charge la reconnaissance vocale du japonais, le keyword list biasing et une inférence plus rapide grâce au réglage fin de l'encodeur et au décodage spéculatif. L'idée est simple : ne pas gonfler la taille à tout prix, mais retirer le poids superflu sans perdre les capacités de base dont les équipes ont besoin en exploitation réelle.

IBM met aussi en avant son approche d'entraînement. Le modèle repose sur granite-4.0-1b-base, adapté aux tâches vocales par modality alignment. Le mélange d'entraînement comprenait des corpus ouverts d'ASR et d'AST, ainsi que des jeux de données synthétiques pour le japonais, l'ASR avec keyword biasing et la traduction vocale. Pour les développeurs, c'est un signal important : IBM ne construit pas une pile vocale fermée, réservée au cloud, mais développe un modèle ouvert qu'on peut adapter à ses propres pipelines et à son matériel.

Langues et tâches

Granite 4.0 1B Speech vise les usages en entreprise qui exigent à la fois transcription et traduction vocale dans les deux sens. L'ensemble de base des langues d'entrée prises en charge comprend l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais. Pour la traduction, IBM présente le modèle comme un outil de speech-to-text et de traduction vocale vers et depuis l'anglais pour ces langues, et cite à part les scénarios English-to-Italian et English-to-Mandarin. La version est donc utile non seulement pour les centres d'appels et les interfaces vocales, mais aussi pour les pipelines internes de traduction.

• Reconnaissance vocale en anglais, français, allemand, espagnol, portugais et japonais
• Traduction vocale bidirectionnelle pour les paires incluant l'anglais
• Scénarios distincts English-to-Italian et English-to-Mandarin
• Biasing par liste de mots-clés pour les noms, marques et abréviations
• Fonctionnement dans des scénarios où la faible latence et la mémoire limitée comptent

Autre avantage pratique : la licence Apache 2.0. Pour les équipes en entreprise, elle réduit les frictions lors du pilote et de l'évaluation juridique : le modèle peut être déployé en local, intégré à sa propre pile, sans dépendre d'un accès par API uniquement dès les premières étapes. Sur un marché où de nombreux systèmes vocaux ne sont proposés que comme services cloud assortis de restrictions commerciales, ce format offre plus de liberté pour la personnalisation, le déploiement hors ligne et le contrôle des données.

Déploiement et métriques

D'après la fiche du modèle, Granite 4.0 1B Speech occupe déjà la première place de l'OpenASR leaderboard avec un WER moyen de 5.52 et un RTFx de 280.02. Dans le détail par jeu de données, IBM affiche par exemple 1.42 sur LibriSpeech Clean, 2.85 sur LibriSpeech Other et 3.10 sur Tedlium. Pour ce type de sortie, l'argument compte : le modèle n'est pas présenté simplement comme « petit et peu coûteux », mais comme un système compact qui conserve un très haut niveau sur les tests publics standard.

Côté déploiement, IBM a cherché à lever les barrières inutiles. Le modèle est pris en charge dans transformers 4.52.1+, fonctionne avec vLLM et dispose d'une voie distincte via mlx-audio sur Apple Silicon. Le pipeline de référence utilise de l'audio mono à 16 kHz, la requête se construit avec le préfixe `<|audio|>` et le keyword biasing peut être ajouté directement dans le prompt. Sur le plan architectural, Granite Speech reste un système à deux passes : le modèle transforme d'abord l'audio en texte, puis, si nécessaire, un appel séparé à un modèle de langage traite la transcription. En production, c'est pratique, car la reconnaissance et la logique en aval peuvent être mises à l'échelle et réglées indépendamment.

Ce que cela signifie

IBM parie sur le segment de l'IA vocale où l'emporte non pas le plus gros modèle, mais celui qu'on peut réellement faire tourner avec des ressources limitées, sans perte de qualité. Si Granite 4.0 1B Speech s'impose en production, le marché disposera d'une option open source solide de plus pour la transcription locale, la traduction vocale et les services edge, sans forte dépendance au cloud.