Granite Speech：轉錄與翻譯怎麼選

IBM 更新 Granite Speech，分別處理多語轉錄、語音翻譯與講者標記。台灣團隊處理英日錄音時，該選哪個模型？本文對照輸出用途、中文翻譯方向及時間標記限制。

發佈於： 2026-10-23 | 更新於： 2026-10-23

內容查核： 2026-10-23 來源查核： 2026-10-23

IBM 新增 Granite Speech 5.0 2B，並更新 TurboCTC、4.1 2B Plus，讓錄音處理有不同的輸出選擇。 10 月 21 日的官方介紹把三者分為轉錄與翻譯、輕量轉錄，以及附帶講者或字詞時間標記的逐字稿。

對處理海外客戶通話、英日訪談的台灣團隊，我會先問成品要拿來做什麼。要看懂英文內容、保留日文原話、回查客戶在哪一段答應交期，是三個不同需求。若主要工作是中文會議錄音，這輪產品列出的轉錄語言就不對題，我不建議因為有「英文翻中文」便直接換掉現有中文轉錄流程。

轉錄或翻譯，先選成品

Granite Speech 5.0 2B 的模型說明列出英文、法文、德文、西班牙文、葡萄牙文、日文轉錄；翻譯則以英文與這些語言配對，另列英文翻成義大利文、中文。這裡的中文是翻譯輸出方向，並未列為中文錄音轉文字的輸入語言，也沒有承諾繁體字形。

假如工作是整理英文訪談給台灣同事閱讀，中文譯稿可以是一項交付；若還要核對受訪者原話，就應另外保留英文逐字稿。模型能翻譯，不代表譯稿適合取代原文存檔。官方也提供指定音訊語言、要求照原話轉錄而不要翻譯的提示方式，讓兩種工作明確分開。

三個模型可依成品先縮小候選：

TurboCTC 此次更新讓原本的英語模型加入多語能力，模型仍為 4.7 億參數。對只要原文、後面已有文字整理流程的產品，這是較小的候選；沒有翻譯需求，就不必為了 2B 的名稱先排除它。至於哪款在你的硬體上更快、辨識更準，仍要用自己的錄音判斷，英文榜單無法直接回答台灣團隊的混語或專有名詞需求。

這些模型都以 Apache 2.0 授權提供，可下載部署。取得權重不等於取得免維護的服務：音訊處理、推論算力和應用程式接入仍有成本。若還在決定錄音要留在自己的設備或交給雲端，可先看地端 AI 的取捨；若只想直接取得會議摘要，則從現成會議記錄工具比較更接近需求。

4.1 2B Plus 的更新保留原本名稱，改進權重與設定，並非改名成另一個 5.0。它可依不同提示輸出純文字、帶講者標籤的轉錄，或字詞時間標記。和另兩款不同，Plus 不提供標點與大小寫；為了保留回查線索而選它，後面仍要安排文字整理。

講者標籤能幫忙分辨同一段錄音中誰先發言、誰接著回答，但不能直接當成人名。模型依出場順序編號；相關研究的摘要也把這種輸出定義為相對講者身分標記。因此，客戶訪談裡的「講者一」要對到哪位受訪者，仍要由錄音與訪談資料確認，不能逕自寫成某位客戶的承諾。

時間標記則有另一個容易漏掉的細節。官方格式在每個字詞後標示結束時間，以百分之一秒為單位，但只保留末三位，十秒後會循環。應用程式要依官方示例還原累計時間，不能把原始數字直接當整場錄音的秒數。它提供的是回查材料，還不是可直接匯入剪輯軟體的完整字幕檔。

所以，英文客戶訪談若需要回聽某句話，Plus 的輸出值得評估；日文訪談卻不能只為了講者功能就照搬這個選擇，因為語言範圍不同。要交付繁中字幕時，也須把辨識、翻譯、字形與時間軸分開處理，繁體中文字幕指南可接著釐清這幾項工作。

Granite Speech 5.0 能把中文錄音轉成文字嗎？

目前官方列出的轉錄語言不含中文。5.0 2B 有英文語音翻成中文的方向，這不等於中文錄音輸入支援，也不保證譯文採繁體字形。

需要日文逐字稿又要標記講者，可以直接用 Plus 嗎？

不建議這樣選。此次 Plus 的支援語言沒有日文；另兩款列有日文轉錄，也不能據此推論 Plus 同樣支援。要保留講者資訊，須另找符合日文需求的處理方式。

Plus 的時間標記就是字幕檔嗎？

不是。它輸出字詞結束時間標記，應用程式還要還原循環時間，再整理字幕分段與顯示格式。拿到原始結果後，仍需回聽檢查對齊情況。

№ · further reading