Cohere Transcribe
Cohere의 첫 오픈 음성 모델. 14개 언어를 위한 2B 전사 전문 모델, Apache 2.0으로 공개.
간단 요약. Cohere Transcribe는 녹음된 음성을 영어, 중국어, 일본어, 한국어, 아랍어 등 14개 언어로 텍스트로 바꿔 줍니다. 전사라는 한 가지 일만 하며, 잡담이 아니라 빠르고 정확하도록 만들어졌습니다. 어떤 언어를 기대하는지 지정해야 하며, 타임스탬프를 붙이거나 화자를 구분하지 않습니다.
요약
Cohere는 2026년 3월 26일 첫 음성 모델인 Cohere Transcribe를 Apache 2.0으로 공개했습니다. 약 20.7억 개 파라미터로, 오디오 입력과 텍스트 출력에만 전념하는 음성 인식 모델이며 처음부터 학습되었을 뿐, 언어 모델에 오디오를 얹은 것이 아닙니다. Fast-Conformer 인코더가 파라미터의 90% 이상을 담당하고 가벼운 Transformer 디코더가 텍스트를 쓰기 때문에, 토큰 단위 생성에 드는 연산이 적습니다. 학습에는 14개 언어가 쓰였습니다. 영어, 프랑스어, 독일어, 이탈리아어, 스페인어, 포르투갈어, 그리스어, 네덜란드어, 폴란드어, 표준 중국어, 일본어, 한국어, 베트남어, 아랍어입니다. 오디오는 16kHz로 리샘플링되고, 스테레오는 한 채널로 평균되며, 플래그로 구두점을 끌 수 있습니다.
Cohere는 2026년 3월 26일 기준 영어 Open ASR Leaderboard에서 평균 단어 오류율 5.42%를 보고했으며, 당시 1위였습니다. 회사 표에는 Zoom Scribe v1이 5.47%, IBM Granite 4.0 1B Speech가 5.52%, NVIDIA Canary Qwen 2.5B가 5.63%, Qwen3-ASR-1.7B가 5.76%, ElevenLabs Scribe v2가 5.83%, Whisper Large v3가 7.44%로 실려 있습니다. Cohere는 또한 오프라인 처리량이 비슷한 크기의 전용 인식 모델의 최대 3배라고 하며, 전사 품질에 대한 사람 선호 평가에서도 좋은 결과를 보고합니다. 이 사이트에 있는 더 새로운 모델인 Granite Speech 5.0 2B는 이후 더 낮은 영어 평균을 보고했습니다. 이 모든 수치는 개발사 제공이며, 리더보드는 자주 바뀝니다.
Hugging Face 카드는 세 가지 한계를 적어 둡니다. 14개 언어 중 하나를 미리 지정할 때 가장 잘 작동하고, 자동 언어 감지가 없으며, 언어가 섞인 오디오는 일관되게 처리하지 못합니다. 타임스탬프나 화자 라벨도 만들지 않습니다. 그리고 대부분의 인코더-디코더 인식 모델처럼 전사에 적극적이라, 앞에 음성 활동 감지나 노이즈 게이트를 두지 않으면 작은 노이즈까지 지어낸 텍스트로 바뀔 수 있습니다.
5.4.0 이상의 Hugging Face Transformers, OpenAI 스타일 전사 엔드포인트를 통한 vLLM 서빙, Apple 실리콘에서는 mlx-audio로 실행되며, 카드는 Rust 포트, 브라우저 데모, GGUF 빌드 같은 커뮤니티 이식본도 나열합니다. 긴 녹음은 청크로 나뉘었다가 자동으로 다시 이어집니다. 가중치는 연락처를 요구하는 Hugging Face 접근 프롬프트 뒤에 있으며, Cohere는 자체 API와 관리형 서비스로도 이 모델을 제공합니다.
적합한 용도
- 14개 지원 언어 중 무엇이든 통화, 회의, 인터뷰를 정확하게 전사
- Apache 2.0 라이선스와 분당 과금 없이 자체 호스팅하는 음성 인식
- 긴 녹음의 일괄 전사. 모델이 높은 오프라인 처리량을 위해 설계되었기 때문입니다
- 중국어, 일본어, 한국어, 아랍어 제품. 유럽 언어 위주의 많은 인식 모델은 이 언어들을 지원하지 않습니다
주의할 점
- 자동 언어 감지가 없어 언어를 직접 넘겨야 하고, 언어가 섞인 오디오는 들쭉날쭉합니다
- 타임스탬프와 화자 라벨이 없으므로 자막이나 누가 무엇을 말했는지가 필요하면 다른 도구를 쓰세요
- 음성 활동 감지를 먼저 넣지 않으면 작은 노이즈까지 단어로 전사될 수 있습니다
- 1위 기록은 2026년 3월 것이며 이후 리더보드가 움직였고, 모든 수치는 Cohere의 자체 보고입니다
- Hugging Face는 파일을 내주기 전에 연락처를 요구합니다
성능 주장은 개발사가 제공한 것이며 독립적으로 검증되지 않았습니다.
메모리가 얼마나 필요할까?
Cohere Transcribe의 각 버전별 메모리 수치입니다. 이미지, 영상, 음성, 음악 파이프라인은 텍스트 인코더와 디코더도 함께 불러오기 때문에 필요한 메모리가 메인 체크포인트보다 커질 수 있습니다.
| 버전 | 파라미터 | 다운로드 크기 | 필요 메모리 | 실행 가능 하드웨어 |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | 노트북 또는 휴대폰 |
다운로드 크기는 생성기, 텍스트 인코더, 디코더 등 모델 실행에 필요한 모든 구성 요소를 포함합니다. 필요 메모리는 개발사가 밝히거나 공개된 실측 최솟값이 있으면 그 값을, 없으면 다운로드 크기에 약 15%를 더해 추정합니다. 더 큰 이미지, 더 긴 클립, 더 높은 해상도는 더 많은 메모리를 필요로 합니다.
라이선스, 쉬운 말로 설명
가장 널리 쓰이는 관대한 라이선스 중 하나입니다. 몇 가지 가벼운 조건만 지키면 모델을 사용하고 수정할 수 있으며, 이를 기반으로 만든 제품을 판매할 수도 있습니다.
함께 보기
자주 묻는 질문
- Cohere Transcribe(이)란 무엇인가요?
- Cohere Transcribe는 녹음된 음성을 영어, 중국어, 일본어, 한국어, 아랍어 등 14개 언어로 텍스트로 바꿔 줍니다. 전사라는 한 가지 일만 하며, 잡담이 아니라 빠르고 정확하도록 만들어졌습니다. 어떤 언어를 기대하는지 지정해야 하며, 타임스탬프를 붙이거나 화자를 구분하지 않습니다.
- Cohere Transcribe을(를) 상업적으로 사용할 수 있나요?
- 네. Cohere Transcribe은(는) 허용적 라이선스인 Apache 2.0로 배포되었습니다. 라이선스 문구 표기 같은 표준 조건만 지키면 상업적으로 사용할 수 있습니다.
- Cohere Transcribe은(는) 오픈소스인가요?
- Cohere Transcribe은(는) 오픈소스 이니셔티브(OSI)가 승인한 라이선스인 Apache 2.0로 배포되었습니다. 학습 데이터와 학습 코드는 공개되어 있지 않을 수 있으므로, 오픈소스 라이선스를 적용한 오픈 웨이트 모델이라고 보는 것이 가장 정확합니다.
- Cohere Transcribe을(를) 내 컴퓨터에서 실행할 수 있나요?
- 네. 최소 버전 Cohere Transcribe 03-2026 기준 4비트 정밀도에서 메모리가 약 4.75 GB 필요하며, 최신 노트북이나 중급 그래픽 카드에서 충분히 돌아갑니다.
- Cohere Transcribe은(는) 언제 출시되었나요?
- Cohere Transcribe은(는) Cohere에서 2026년 3월 26일에 출시되었습니다.
공식 링크
출처
규격 정보는 아래 1차 자료에서 가져왔습니다. 언급된 벤치마크 수치는 개발사가 발표한 것입니다.
- 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
출시일 등 정보는 2026년 11월 11일에 마지막으로 확인했습니다.
관련 모델
| 모델 | 출시일 | 파라미터 | 컨텍스트 | 라이선스 | 최소 버전 필요 메모리 |
|---|---|---|---|---|---|
| Granite Speech 5.0 EN IBM | 470M – 2.31B | – | Apache 2.0 (허용적) | 1.09 GB 노트북 또는 휴대폰 | |
| Parakeet TDT 0.6B v3 EN NVIDIA | 627M | – | CC BY 4.0 (허용적) | 2.89 GB 노트북 또는 휴대폰 | |
| Qwen3-ASR EN Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (허용적) | 2.12 GB 노트북 또는 휴대폰 | |
| Whisper large-v3-turbo EN OpenAI | 810M – 1.54B | – | MIT (허용적) | 6 GB 노트북 또는 휴대폰 |