IBM ha renovado su familia abierta Granite Speech con modelos para transcribir, traducir y trabajar con turnos de voz. La presentación del 21 de octubre reúne tres opciones que conviene elegir según la salida necesaria: texto, una transcripción rápida o una conversación con voces y tiempos. Son modelos que requieren integración, no una aplicación terminada para subir cualquier audio.
La diferencia es relevante para productoras, agencias y equipos que convierten entrevistas, reuniones o pódcasts en material de trabajo. Obtener palabras no resuelve por sí solo quién las dijo, dónde empiezan en la grabación o cómo deben trasladarse a otro idioma. Antes de comparar modelos, el equipo necesita decidir qué entrega espera y qué errores debe revisar una persona.
Qué distingue a las tres opciones
Granite Speech 5.0 2B combina reconocimiento de voz y traducción. Su ficha enumera transcripción en inglés, francés, alemán, español, portugués y japonés; también describe rutas de traducción con el inglés. Permite orientar el reconocimiento mediante palabras clave, algo útil para vocabulario especializado. La recomendación para audios largos es dividirlos en fragmentos adecuados antes de procesarlos.
La variante 470M TurboCTC prioriza transcripción rápida y uso eficiente, incluida ejecución en dispositivo. Su actualización multilingüe añade puntuación y mayúsculas e incluye italiano, además de los seis idiomas anteriores. La ficha documenta dependencias concretas de software. Que el modelo sea más pequeño no demuestra que cualquier ordenador pueda ejecutar el flujo requerido con la misma rapidez.
Granite Speech 4.1 2B Plus es la opción orientada a marcas temporales y anotación de hablantes. La actualización mantiene una cobertura de cinco idiomas: inglés, francés, alemán, español y portugués. Es importante consultar su ficha propia: los idiomas o las capacidades de la familia no se pueden trasladar automáticamente a cada variante. Tampoco identificar turnos equivale a verificar la identidad civil de quien habla.
La salida necesaria determina el trabajo posterior
Para localizar temas en una grabación, una transcripción aproximada puede funcionar como índice de búsqueda. Para publicar una cita, el requisito cambia: hay que volver al audio, comprobar las palabras y conservar el contexto. En subtítulos importa además el tiempo y la división legible de las frases. En una conversación con varios participantes, un error al atribuir una intervención puede ser más grave que una palabra mal escrita.
Un equipo puede preparar una evaluación con material que se parezca a su trabajo habitual: acentos de sus interlocutores, nombres de marcas, cambios de idioma, ruido y voces superpuestas. Conviene anotar por separado los fallos de palabras, tiempos y atribución. Un único porcentaje de acierto puede ocultar que el sistema transcribe bien una voz limpia, pero obliga a rehacer la parte más importante de una entrevista colectiva.
La posibilidad de aportar vocabulario merece una comprobación específica. Una lista de nombres puede ayudar a orientar el reconocimiento, pero no prueba que el audio contenga esas palabras ni garantiza su escritura en todos los contextos. La revisión debe incluir términos esperados y otros parecidos que no deberían convertirse en ellos. Dar pistas al modelo no sustituye escuchar el original cuando el texto vaya a salir publicado.
Los resultados en inglés no resuelven una prueba en español
IBM publica evaluaciones y comparaciones para justificar la nueva familia. La ficha de TurboCTC distingue los resultados de su versión multilingüe de la entrada anterior del modelo inglés en un ranking público. No corresponde presentar una comparación del proveedor como una clasificación independiente actualizada, ni convertir un resultado de audio inglés en una medida de calidad en español.
La decisión práctica es comparar el tiempo total hasta obtener una entrega utilizable. Además del procesamiento, cuentan la preparación de archivos, la corrección, la sincronización y la escucha final. Si un sistema termina antes pero produce errores difíciles de detectar, puede desplazar trabajo al editor. Si otro ofrece marcas útiles para revisar, ese ahorro deberá medirse en el proceso real, no deducirse de una tabla general.
Las fichas publican los modelos bajo Apache 2.0. Esa licencia permite estudiar su integración, pero no paga la infraestructura ni elimina los costes de mantenimiento. Ejecutarlos en un entorno propio exige decidir dónde se guardan grabaciones, resultados y registros, y quién accede a ellos. La opción de procesamiento local es una capacidad técnica; no una garantía automática sobre el tratamiento de todos los datos del proyecto.
Del audio al contenido, con trazabilidad
El desarrollo de herramientas para agentes de voz en tiempo real aborda otra parte del audio: responder durante la conversación. Granite resulta más pertinente para examinar qué se puede recuperar y organizar de una grabación. Y las nuevas condiciones de monetización de pódcasts en Spotify recuerdan que producir contenido con audio implica decisiones de distribución además de tecnología.
Para un equipo editorial, la elección puede empezar por una entrega pequeña y definida: encontrar pasajes, preparar subtítulos o separar turnos. Mantener el vínculo entre cada fragmento de texto y su grabación permite revisar las dudas. La novedad de Granite amplía las opciones disponibles; la calidad publicable se decide al comprobar el resultado con las voces reales, sin convertir una transcripción automática en una cita verificada.
Fuente y alcance
IBM Granite — Granite Speech 5
IBM — Granite Speech 5.0 2B model card
IBM — Granite Speech 5.0 470M TurboCTC model card
