Cohere Transcribe
Coheres erstes offenes Sprachmodell: ein 2B-Transkriptionsspezialist für 14 Sprachen, veröffentlicht unter Apache 2.0.
Kurz gesagt. Cohere Transcribe wandelt aufgezeichnete Sprache in 14 Sprachen in Text um, darunter Englisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Es macht nur eine Sache, Transkription, und ist auf Tempo und Genauigkeit gebaut, nicht auf Smalltalk. Sie geben die erwartete Sprache an, und es fügt keine Zeitstempel hinzu und kennzeichnet keine Sprecher.
Zusammenfassung
Cohere veröffentlichte Cohere Transcribe, sein erstes Sprachmodell, am 26. März 2026 unter Apache 2.0. Es hat rund 2,07 Milliarden Parameter und ist ein spezialisierter Spracherkenner mit Audio-Eingang und Text-Ausgang, von Grund auf trainiert, kein Sprachmodell mit aufgesetztem Audio. Ein Fast-Conformer-Encoder bündelt mehr als 90% der Parameter, und ein leichter Transformer-Decoder schreibt den Text, sodass wenig Rechenleistung in die Token-für-Token-Generierung fließt. Trainiert wurde auf 14 Sprachen: Englisch, Französisch, Deutsch, Italienisch, Spanisch, Portugiesisch, Griechisch, Niederländisch, Polnisch, Hochchinesisch, Japanisch, Koreanisch, Vietnamesisch und Arabisch. Audio wird auf 16 kHz resampelt, Stereo wird zu einem Kanal gemittelt, und die Zeichensetzung lässt sich per Flagge abschalten.
Cohere meldet eine durchschnittliche Word Error Rate von 5.42% auf der englischen Open ASR Leaderboard zum 26. März 2026, was damals Platz eins war. Seine Tabelle listet Zoom Scribe v1 mit 5.47%, IBM Granite 4.0 1B Speech mit 5.52%, NVIDIA Canary Qwen 2.5B mit 5.63%, Qwen3-ASR-1.7B mit 5.76%, ElevenLabs Scribe v2 mit 5.83% und Whisper Large v3 mit 7.44%. Cohere sagt außerdem, der Offline-Durchsatz reiche bis zum Dreifachen gleich großer spezialisierter Erkenner, und berichtet starke Ergebnisse in Mensch-Präferenztests zur Transkriptionsqualität. Ein neueres Modell auf dieser Website, Granite Speech 5.0 2B, hat seither einen niedrigeren englischen Durchschnitt gemeldet. Alle diese Zahlen stammen von den Entwicklern, und die Bestenliste bewegt sich oft.
Die Hugging-Face-Karte nennt drei Einschränkungen. Das Modell arbeitet am besten, wenn Sie eine der 14 Sprachen vorab benennen, es hat keine automatische Spracherkennung und geht mit Audio mit Sprachwechsel inkonsistent um. Es erzeugt keine Zeitstempel und keine Sprechermarken. Und wie die meisten Encoder-Decoder-Erkenner ist es eifrig beim Transkribieren, sodass leises Rauschen zu erfundenem Text werden kann, wenn Sie nicht eine Noise-Gate- oder Voice-Activity-Detection vorschalten.
Es läuft in Hugging Face Transformers ab Version 5.4.0, in vLLM für den Betrieb über einen OpenAI-ähnlichen Transkriptionsendpunkt und in mlx-audio auf Apple-Silicon, und die Karte listet Community-Portierungen wie eine Rust-Version, eine Browser-Demo und GGUF-Builds. Lange Aufnahmen werden in Abschnitte zerlegt und automatisch wieder zusammengefügt. Die Gewichte liegen hinter einer Hugging-Face-Zugangsabfrage, die Kontaktdaten verlangt, und Cohere bietet das Modell auch über seine API und einen verwalteten Dienst an.
Geeignet für
- Genaue Transkription von Anrufen, Meetings und Interviews in jeder der 14 unterstützten Sprachen
- Selbst gehostete Spracherkennung unter Apache 2.0 ohne Gebühren pro Minute
- Stapeltranskription langer Aufnahmen, da das Modell auf hohen Offline-Durchsatz ausgelegt ist
- Produkte auf Chinesisch, Japanisch, Koreanisch oder Arabisch, die viele europalastige Erkenner nicht abdecken
Darauf achten
- Keine automatische Spracherkennung, Sie müssen die Sprache übergeben, und Sprachwechsel werden inkonsistent behandelt
- Keine Zeitstempel und keine Sprechermarken, nehmen Sie ein anderes Tool, wenn Sie Untertitel oder Wer-hat-was brauchen
- Leises Rauschen kann als Wörter transkribiert werden, wenn Sie nicht vorher Voice-Activity-Detection hinzufügen
- Platz eins datiert vom März 2026, die Bestenliste hat sich seitdem bewegt, und alle Zahlen sind Cohere-eigene
- Hugging Face verlangt Kontaktdaten, bevor es die Dateien freigibt
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wie viel Speicher braucht es?
Speicherwerte für jede Variante von Cohere Transcribe. Bild-, Video-, Sprach- und Musik-Pipelines laden zusätzlich einen Text-Encoder und einen Decoder, daher kann der benötigte Speicher größer sein als das Haupt-Checkpoint.
| Varianten | Parameter | Downloadgröße | Benötigter Speicher | Passt auf |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | Laptop oder Smartphone |
Die Downloadgröße umfasst jede Komponente, die zum Ausführen des Modells nötig ist, etwa Generator, Text-Encoder und Decoder. Der benötigte Speicher ist ein angegebener oder veröffentlichter gemessener Mindestwert, falls vorhanden; andernfalls die Downloadgröße plus rund 15 %. Größere Bilder, längere Clips und höhere Auflösungen brauchen mehr.
Die Lizenz, einfach erklärt
Eine der am weitesten verbreiteten permissiven Lizenzen. Sie dürfen das Modell nutzen und ändern und Produkte, die darauf aufbauen, verkaufen, mit nur wenigen leichten Bedingungen.
Siehe auch
Häufige Fragen
- Was ist Cohere Transcribe?
- Cohere Transcribe wandelt aufgezeichnete Sprache in 14 Sprachen in Text um, darunter Englisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Es macht nur eine Sache, Transkription, und ist auf Tempo und Genauigkeit gebaut, nicht auf Smalltalk. Sie geben die erwartete Sprache an, und es fügt keine Zeitstempel hinzu und kennzeichnet keine Sprecher.
- Darf ich Cohere Transcribe kommerziell nutzen?
- Ja. Cohere Transcribe erscheint unter Apache 2.0, einer permissiven Lizenz. Sie dürfen es kommerziell nutzen, wenn Sie die üblichen Bedingungen einhalten, etwa den Lizenzhinweis beibehalten.
- Ist Cohere Transcribe Open Source?
- Cohere Transcribe erscheint unter Apache 2.0, einer von der Open Source Initiative anerkannten Lizenz. Trainingsdaten und Trainingscode sind möglicherweise nicht öffentlich, daher lässt es sich am besten als offene Gewichte unter einer Open-Source-Lizenz beschreiben.
- Kann ich Cohere Transcribe auf meinem eigenen Computer ausführen?
- Ja. Die kleinste Variante, Cohere Transcribe 03-2026, benötigt mit 4-Bit-Präzision etwa 4.75 GB Speicher, was auf einen modernen Laptop oder eine Mittelklasse-Grafikkarte passt.
- Wann wurde Cohere Transcribe veröffentlicht?
- Cohere Transcribe wurde von Cohere am 26. März 2026 veröffentlicht.
Offizielle Links
Quellen
Die Spezifikationen stammen aus diesen Primärquellen. Benchmark-Angaben werden, wo erwähnt, vom Entwickler gemeldet.
- Cohere: Introducing Cohere Transcribe (26 Mar 2026) cohere.com
- Hugging Face blog: Introducing Cohere-transcribe (26 Mar 2026) huggingface.co
- cohere-transcribe-03-2026 model card (Hugging Face) huggingface.co
Erscheinungsdatum und Fakten zuletzt geprüft: 11. November 2026.
Verwandte Modelle
| Modell | Erscheinungsdatum | Parameter | Kontext | Lizenz | Bedarf der kleinsten Variante |
|---|---|---|---|---|---|
| Granite Speech 5.0 EN IBM | 470M – 2.31B | – | Apache 2.0 (Permissiv) | 1.09 GB Laptop oder Smartphone | |
| Parakeet TDT 0.6B v3 EN NVIDIA | 627M | – | CC BY 4.0 (Permissiv) | 2.89 GB Laptop oder Smartphone | |
| Qwen3-ASR EN Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (Permissiv) | 2.12 GB Laptop oder Smartphone | |
| Whisper large-v3-turbo EN OpenAI | 810M – 1.54B | – | MIT (Permissiv) | 6 GB Laptop oder Smartphone |