IBM lança Granite 4.0 1B Speech, modelo de fala compacto e multilíngue para IA na borda

A IBM lançou o Granite 4.0 1B Speech, um modelo compacto de fala e linguagem para reconhecimento de fala multilíngue e tradução bidirecional. O ponto aqui não é apenas mais um lançamento, mas a aposta da IBM em cenários de produção, nos quais memória, latência e custo de inferência são tão críticos quanto a qualidade nos benchmarks.

O que mudou

O Granite 4.0 1B Speech substitui as configurações mais pesadas da linha Granite Speech e prioriza a eficiência. Segundo a IBM, o modelo tem metade dos parâmetros do granite-speech-3.3-2b, mas ganhou mais precisão no ASR em inglês, suporte a reconhecimento de fala em japonês, keyword list biasing e inferência mais rápida graças ao ajuste fino do codificador e à decodificação especulativa. A ideia é simples: não aumentar o tamanho a qualquer custo, e sim tirar o peso excedente sem perder as capacidades básicas de que as equipes precisam no uso real.

A IBM também destaca a abordagem de treinamento. O modelo foi construído sobre o granite-4.0-1b-base, ajustado para tarefas de fala por meio de modality alignment. A mistura de treinamento incluiu corpora abertos de ASR e AST, além de conjuntos de dados sintéticos para japonês, ASR com keyword biasing e tradução de fala. Para os desenvolvedores, é um sinal importante: a IBM não está criando uma pilha de voz fechada e exclusiva para a nuvem, e sim desenvolvendo um modelo aberto que pode ser adaptado aos próprios pipelines e hardware.

Idiomas e tarefas

O Granite 4.0 1B Speech foi pensado para cenários corporativos que exigem tanto transcrição quanto tradução de fala nos dois sentidos. O conjunto base de idiomas de entrada suportados inclui inglês, francês, alemão, espanhol, português e japonês. Na tradução, a IBM posiciona o modelo como ferramenta de speech-to-text e tradução de fala para o inglês e a partir dele, nesses idiomas, e cita separadamente os cenários English-to-Italian e English-to-Mandarin. Isso torna o lançamento útil não só para call centers e interfaces de voz, mas também para pipelines internos de tradução.

• Reconhecimento de fala em inglês, francês, alemão, espanhol, português e japonês
• Tradução bidirecional de fala para pares com inglês
• Cenários específicos English-to-Italian e English-to-Mandarin
• Biasing por lista de palavras-chave para nomes, marcas e siglas
• Operação em cenários em que baixa latência e memória limitada são importantes

Outra vantagem prática é a licença Apache 2.0. Para equipes corporativas, ela reduz o atrito na fase de piloto e na avaliação jurídica: o modelo pode ser implantado localmente, integrado à própria pilha e não depende de acesso exclusivo por API já no início. Num mercado em que muitos sistemas de fala só existem como serviço em nuvem com restrições comerciais, esse formato dá mais liberdade para customização, implantação offline e controle sobre os dados.

Implantação e métricas

Segundo o model card, o Granite 4.0 1B Speech já alcançou o primeiro lugar no OpenASR leaderboard, com WER médio de 5.52 e RTFx de 280.02. Na divisão por conjuntos de dados, a IBM mostra, por exemplo, 1.42 no LibriSpeech Clean, 2.85 no LibriSpeech Other e 3.10 no Tedlium. Para lançamentos assim, é um argumento importante: o modelo é posicionado não simplesmente como "pequeno e barato", mas como um sistema compacto que ainda mantém um nível muito forte nos testes públicos padrão.

Na implantação, a IBM tentou remover barreiras desnecessárias. O modelo é suportado no transformers 4.52.1+, roda via vLLM e tem um caminho separado com mlx-audio no Apple Silicon. O pipeline de referência usa áudio mono de 16 kHz, a requisição é montada com o prefixo `<|audio|>` e o keyword biasing pode ser adicionado diretamente no prompt. Em termos de arquitetura, o Granite Speech continua sendo um sistema de duas passagens: primeiro o modelo converte o áudio em texto e, se necessário, uma chamada separada a um modelo de linguagem processa a transcrição. Em produção isso é conveniente, porque o reconhecimento e a lógica posterior podem ser escalados e ajustados de forma independente.

O que isso significa

A IBM aposta no segmento de IA de voz em que vence não o maior modelo, mas aquele que realmente pode rodar com recursos limitados sem perda de qualidade. Se o Granite 4.0 1B Speech se firmar em implantações de produção, o mercado ganhará mais uma opção open source forte para transcrição local, tradução de fala e serviços edge sem forte dependência da nuvem.