Cohere Transcribe
El primer modelo de voz abierto de Cohere: un especialista en transcripción de 2B para 14 idiomas, publicado bajo Apache 2.0.
En resumen. Cohere Transcribe convierte voz grabada en texto en 14 idiomas, entre ellos inglés, chino, japonés, coreano y árabe. Hace una sola cosa, transcribir, y está hecho para ser rápido y preciso, no para conversar. Le indicas qué idioma esperar, y no añade marcas de tiempo ni etiqueta a los hablantes.
Resumen
Cohere lanzó Cohere Transcribe, su primer modelo de voz, el 26 de marzo de 2026 bajo Apache 2.0. Tiene unos 2.070 millones de parámetros y es un reconocedor de voz dedicado de audio de entrada y texto de salida entrenado desde cero, no un modelo de lenguaje con audio añadido. Un codificador Fast-Conformer concentra más del 90% de los parámetros y un decodificador Transformer ligero escribe el texto, así que se gasta poco cómputo en generar token a token. Se entrenó en 14 idiomas: inglés, francés, alemán, italiano, español, portugués, griego, neerlandés, polaco, chino mandarín, japonés, coreano, vietnamita y árabe. El audio se remuestrea a 16 kHz, el estéreo se promedia a un canal y la puntuación se puede desactivar con una opción.
Cohere reporta una tasa media de error de palabra del 5.42% en el Open ASR Leaderboard en inglés a 26 de marzo de 2026, que era el primer puesto entonces. Su tabla sitúa a Zoom Scribe v1 en 5.47%, IBM Granite 4.0 1B Speech en 5.52%, NVIDIA Canary Qwen 2.5B en 5.63%, Qwen3-ASR-1.7B en 5.76%, ElevenLabs Scribe v2 en 5.83% y Whisper Large v3 en 7.44%. Cohere también dice que el throughput sin conexión llega hasta tres veces el de reconocedores dedicados de tamaño similar, y reporta buenos resultados en pruebas de preferencia humana sobre la calidad de la transcripción. Un modelo más nuevo en este sitio, Granite Speech 5.0 2B, ha reportado desde entonces una media en inglés más baja. Todas estas cifras vienen de los desarrolladores y la tabla líder cambia a menudo.
La ficha de Hugging Face da tres límites. El modelo funciona mejor cuando nombras de antemano uno de los 14 idiomas, no tiene detección automática de idioma y no maneja de forma consistente el audio que cambia de idioma a mitad. No produce marcas de tiempo ni etiquetas de hablante. Y como la mayoría de reconocedores codificador-decodificador, está deseoso de transcribir, así que un ruido suave puede convertirse en texto inventado a menos que pongas delante una puerta de ruido o un detector de actividad de voz.
Funciona en Hugging Face Transformers desde la versión 5.4.0, en vLLM para servir a través de un endpoint de transcripción estilo OpenAI, y en mlx-audio en Apple silicon, y la ficha enumera portes de la comunidad como una versión en Rust, una demo en navegador y builds GGUF. Las grabaciones largas se trocean y se vuelven a unir automáticamente. Los pesos están detrás de una ventana de acceso de Hugging Face que pide compartir datos de contacto, y Cohere también ofrece el modelo por su API y un servicio gestionado.
Ideal para
- Transcripción precisa de llamadas, reuniones y entrevistas en cualquiera de los 14 idiomas admitidos
- Reconocimiento de voz autoalojado con licencia Apache 2.0 y sin tarifas por minuto
- Transcripción por lotes de grabaciones largas, ya que el modelo está hecho para un alto throughput sin conexión
- Productos en chino, japonés, coreano o árabe, que muchos reconocedores centrados en Europa no cubren
A tener en cuenta
- No hay detección automática de idioma, así que debes pasarle el idioma, y el cambio de idioma lo maneja de forma inconsistente
- Sin marcas de tiempo ni etiquetas de hablante, así que usa otra herramienta si necesitas subtítulos o quién dijo qué
- Un ruido suave puede transcribirse como palabras a menos que añadas antes un detector de actividad de voz
- El primer puesto data de marzo de 2026 y la tabla líder se ha movido desde entonces, y todas las cifras son de Cohere
- Hugging Face te pide compartir datos de contacto antes de soltar los archivos
Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.
¿Cuánta memoria necesita?
Cifras de memoria para cada variante de Cohere Transcribe. Los flujos de imagen, vídeo, voz y música también cargan un codificador de texto y un decodificador, así que la memoria necesaria puede ser mayor que la del checkpoint principal.
| Variantes | Parámetros | Tamaño de descarga | Memoria necesaria | Cabe en |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | Portátil o móvil |
El tamaño de descarga incluye todos los componentes necesarios para ejecutar el modelo, como el generador, el codificador de texto y el decodificador. La memoria necesaria es el mínimo declarado o el mínimo medido publicado cuando existe; en caso contrario, es el tamaño de descarga más un 15 % aproximadamente. Las imágenes más grandes, los clips más largos y las resoluciones más altas necesitan más.
La licencia en palabras sencillas
Una de las licencias permisivas más utilizadas. Puedes usar y modificar el modelo y vender productos creados a partir de él con solo unas condiciones ligeras.
Ver también
Preguntas frecuentes
- ¿Qué es Cohere Transcribe?
- Cohere Transcribe convierte voz grabada en texto en 14 idiomas, entre ellos inglés, chino, japonés, coreano y árabe. Hace una sola cosa, transcribir, y está hecho para ser rápido y preciso, no para conversar. Le indicas qué idioma esperar, y no añade marcas de tiempo ni etiqueta a los hablantes.
- ¿Puedo usar Cohere Transcribe comercialmente?
- Sí. Cohere Transcribe se publica bajo Apache 2.0, una licencia permisiva. Puedes usarlo comercialmente si cumples las condiciones estándar, como mantener el aviso de licencia.
- ¿Es Cohere Transcribe de código abierto?
- Cohere Transcribe se publica bajo Apache 2.0, una licencia aprobada por la Open Source Initiative. Los datos y el código de entrenamiento pueden no ser públicos, así que lo más preciso es describirlo como pesos abiertos bajo una licencia de código abierto.
- ¿Puedo ejecutar Cohere Transcribe en mi propio equipo?
- Sí. La variante más pequeña, Cohere Transcribe 03-2026, necesita unos 4.75 GB de memoria con precisión de 4 bits, lo que cabe en un portátil moderno o en una tarjeta gráfica de gama media.
- ¿Cuándo se lanzó Cohere Transcribe?
- Cohere Transcribe fue lanzado por Cohere el 26 de marzo de 2026.
Enlaces oficiales
Fuentes
Las especificaciones provienen de estas fuentes primarias. Las afirmaciones sobre benchmarks, cuando se mencionan, son las que reporta el desarrollador.
- 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
Fecha de lanzamiento y datos verificados por última vez: 11 de noviembre de 2026.
Modelos relacionados
| Modelo | Lanzamiento | Parámetros | Contexto | Licencia | Necesario para la variante más pequeña |
|---|---|---|---|---|---|
| Granite Speech 5.0 EN IBM | 470M – 2.31B | – | Apache 2.0 (Permisiva) | 1.09 GB Portátil o móvil | |
| Parakeet TDT 0.6B v3 EN NVIDIA | 627M | – | CC BY 4.0 (Permisiva) | 2.89 GB Portátil o móvil | |
| Qwen3-ASR EN Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (Permisiva) | 2.12 GB Portátil o móvil | |
| Whisper large-v3-turbo EN OpenAI | 810M – 1.54B | – | MIT (Permisiva) | 6 GB Portátil o móvil |