Cohere Transcribe

Cohere初のオープンな音声モデル。14言語に対応する2Bの文字起こし専用モデル、Apache 2.0で公開。

ひとことで. Cohere Transcribeは録音された音声を14言語でテキストに変換します。対象は英語、中国語、日本語、韓国語、アラビア語などを含みます。文字起こしだけを担当する専門モデルで、おしゃべりではなく、速さと正確さを追求して作られています。どの言語を期待するかを指定する必要があり、タイムスタンプの追加や話者の区別はしません。

概要

Cohereは2026年3月26日、初の音声モデルCohere TranscribeをApache 2.0ライセンスで公開しました。約20.7億パラメータで、音声入力・テキスト出力に特化した音声認識モデルです。ゼロから学習されており、音声入力を追加した言語モデルではありません。Fast-Conformerエンコーダがパラメータの90%以上を占め、軽量なTransformerデコーダがテキストを書き出すため、トークンごとの生成に費やす計算が少なくて済みます。学習は14言語で行われました。英語、フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語、ギリシャ語、オランダ語、ポーランド語、中国語(普通話)、日本語、韓国語、ベトナム語、アラビア語です。音声は16 kHzに再サンプリングされ、ステレオは1チャネルに平均化され、フラグで句読点をオフにできます。

Cohereによれば、2026年3月26日時点の英語Open ASR Leaderboardでの平均単語エラー率(WER)は5.42%で、当時1位でした。同社の表は、Zoom Scribe v1が5.47%、IBM Granite 4.0 1B Speechが5.52%、NVIDIA Canary Qwen 2.5Bが5.63%、Qwen3-ASR-1.7Bが5.76%、ElevenLabs Scribe v2が5.83%、Whisper Large v3が7.44%としています。また、オフラインのスループットは同規模の専用認識モデルの最大3倍であるとし、文字起こし品質の人間選好テストでも強い結果を報告しています。本サイトに掲載のより新しいモデルGranite Speech 5.0 2Bは、その後より低い英語平均を報告しています。これらの数字はすべて開発者によるもので、リーダーボードは頻繁に入れ替わります。

Hugging Faceのモデルカードは3つの制限を挙げています。まず、14言語のいずれかを事前に指定した場合に最もよく動作し、自動言語検出はなく、複数言語の混在する音声は安定して扱えません。タイムスタンプも話者ラベルも出力しません。さらに、多くのエンコーダ・デコーダ型認識モデルと同様に文字起こしに積極的で、ノイズゲートや音声活動検出を前段に置かないと、静かなノイズが架空のテキストに化けることがあります。

バージョン5.4.0以降のHugging Face Transformers、OpenAI風の文字起こしエンドポイントを介したvLLMでのサービング、Appleシリコンではmlx-audioで動作し、モデルカードはRust版、ブラウザデモ、GGUFビルドなどのコミュニティ移植も列挙しています。長い録音はチャンクに分割されて自動で再結合されます。重みは連絡先の共有を求めるHugging Faceのアクセスプロンプトの背後にあり、Cohereは自社APIとマネージドサービスでもこのモデルを提供しています。

おすすめの用途

  • 14の対応言語のいずれでも、通話、会議、インタビューを正確に文字起こし
  • Apache 2.0ライセンスで、分単位の課金のないセルフホスト音声認識
  • 長い録音の一括文字起こし。モデルは高いオフラインスループット向けに設計されています
  • 中国語、日本語、韓国語、アラビア語の製品。多くの欧米言語寄りの認識モデルはこれらをカバーしていません

注意点

  • 自動言語検出がなく言語を渡す必要があり、複数言語の混在音声は不安定です
  • タイムスタンプも話者ラベルもないため、字幕や発言者情報が必要なら別のツールを使ってください
  • 音声活動検出を先に加えないと、静かなノイズまで単語として文字起こしされることがあります
  • 1位の順位は2026年3月時点のもので、その後リーダーボードは動いています。数字はすべてCohere自身の報告です
  • Hugging Faceはファイルを公開する前に連絡先の共有を求めます

性能に関する主張は開発元によるもので、独自検証は行っていません。

必要なメモリはどのくらい?

Cohere Transcribe の各バリエーションのメモリ数値です。画像・動画・音声・音楽の生成パイプラインはテキストエンコーダやデコーダも読み込むため、必要メモリはメインのチェックポイントより大きくなることがあります。

バリエーション パラメータ数 ダウンロードサイズ 必要メモリ 動かせるマシン
Cohere Transcribe 03-2026 BF16 2.07B 4.13 GB 4.75 GB ノートPCまたはスマートフォン

ダウンロードサイズには、モデルの実行に必要なすべてのコンポーネント(ジェネレータ、テキストエンコーダ、デコーダなど)が含まれます。必要メモリは、開発元が公表している実測の最小値があればそれを採用し、なければダウンロードサイズに約15%を加えた推定値です。より大きな画像、より長いクリップ、より高い解像度ではさらに多くのメモリが必要です。

このライセンスをやさしく解説

パーミッシブ(寛容型)ライセンスの中で最も広く使われているものの一つです。軽い条件を守るだけで、モデルの利用や改変、それを組み込んだ製品の販売ができます。

Apache 2.0 の詳細

あわせて読みたい

よくある質問

Cohere Transcribe とは何ですか?
Cohere Transcribeは録音された音声を14言語でテキストに変換します。対象は英語、中国語、日本語、韓国語、アラビア語などを含みます。文字起こしだけを担当する専門モデルで、おしゃべりではなく、速さと正確さを追求して作られています。どの言語を期待するかを指定する必要があり、タイムスタンプの追加や話者の区別はしません。
Cohere Transcribe は商用利用できますか?
はい。Cohere Transcribe はパーミッシブライセンスの Apache 2.0 で公開されています。ライセンス表示の保持といった標準的な条件を守れば、商用利用できます。
Cohere Transcribe はオープンソースですか?
Cohere Transcribe は、Open Source Initiative(OSI)が承認したライセンス Apache 2.0 で公開されています。訓練データや訓練コードは公開されていない場合もあるため、「オープンソースライセンス下のオープンウェイトモデル」と表現するのが正確です。
Cohere Transcribe を自分のPCで動かせますか?
はい。最小のバリエーション Cohere Transcribe 03-2026 は、4ビット精度で約 4.75 GB のメモリが必要です。最新のノートPCやミドルクラスのグラフィックボードで動きます。
Cohere Transcribe はいつリリースされましたか?
Cohere Transcribe は Cohere が 2026年3月26日 にリリースしました。

公式リンク

出典

仕様は以下の一次資料に基づきます。ベンチマークの主張がある場合は開発元の公表値です。

リリース日と掲載内容は 2026年11月11日 時点で確認済みです。

関連モデル

モデル リリース日 パラメータ数 コンテキスト ライセンス 最小バリエーションの必要メモリ
Granite Speech 5.0 EN IBM 470M – 2.31B – Apache 2.0 (パーミッシブ) 1.09 GB ノートPCまたはスマートフォン
Parakeet TDT 0.6B v3 EN NVIDIA 627M – CC BY 4.0 (パーミッシブ) 2.89 GB ノートPCまたはスマートフォン
Qwen3-ASR EN Alibaba Qwen 918M – 2.35B – Apache 2.0 (パーミッシブ) 2.12 GB ノートPCまたはスマートフォン
Whisper large-v3-turbo EN OpenAI 810M – 1.54B – MIT (パーミッシブ) 6 GB ノートPCまたはスマートフォン