Cohere Transcribe
O primeiro modelo de voz aberto da Cohere: um especialista em transcrição de 2B para 14 idiomas, lançado sob Apache 2.0.
Em resumo. O Cohere Transcribe transforma fala gravada em texto em 14 idiomas, incluindo inglês, chinês, japonês, coreano e árabe. Ele faz uma única coisa, transcrição, e foi construído para ser rápido e preciso, não para conversar. Você informa qual idioma esperar, e ele não adiciona marcações de tempo nem identifica falantes.
Resumo
A Cohere lançou o Cohere Transcribe, seu primeiro modelo de voz, em 26 de março de 2026 sob Apache 2.0. Tem cerca de 2,07 bilhões de parâmetros e é um reconhecedor de voz dedicado de áudio na entrada e texto na saída, treinado do zero, e não um modelo de linguagem com áudio anexado. Um encoder Fast-Conformer concentra mais de 90% dos parâmetros e um decoder Transformer leve escreve o texto, então pouco computo vai para a geração token a token. Foi treinado em 14 idiomas: inglês, francês, alemão, italiano, espanhol, português, grego, holandês, polonês, mandarim, japonês, coreano, vietnamita e árabe. O áudio é reamostrado para 16 kHz, o estéreo é médio para um canal e a pontuação pode ser desligada com uma opção.
A Cohere reporta uma taxa média de erro de palavra de 5.42% no Open ASR Leaderboard em inglês em 26 de março de 2026, que era o primeiro lugar na época. Sua tabela lista Zoom Scribe v1 a 5.47%, IBM Granite 4.0 1B Speech a 5.52%, NVIDIA Canary Qwen 2.5B a 5.63%, Qwen3-ASR-1.7B a 5.76%, ElevenLabs Scribe v2 a 5.83% e Whisper Large v3 a 7.44%. A Cohere também diz que o throughput offline chega a três vezes o de reconhecedores dedicados de tamanho parecido, e reporta bons resultados em testes de preferência humana sobre a qualidade da transcrição. Um modelo mais novo neste site, o Granite Speech 5.0 2B, reportou desde então uma média em inglês mais baixa. Todos esses números vêm dos desenvolvedores e o ranking muda com frequência.
A ficha do Hugging Face dá três limites. O modelo funciona melhor quando você nomeia antecipadamente um dos 14 idiomas, não tem detecção automática de idioma e não lida de forma consistente com áudio que troca de idioma no meio. Não produz marcações de tempo nem rótulos de falante. E, como a maioria dos reconhecedores encoder-decoder, é ansioso para transcrever, então um ruído baixo pode virar texto inventado a menos que você coloque na frente uma porta de ruído ou um detector de atividade de voz.
Ele roda no Hugging Face Transformers a partir da versão 5.4.0, no vLLM para servir via um endpoint de transcrição no estilo OpenAI, e no mlx-audio em Apple silicon, e a ficha lista portes da comunidade como uma versão em Rust, uma demo no navegador e builds GGUF. Gravações longas são divididas em pedaços e reconstituídas automaticamente. Os pesos ficam atrás de uma janela de acesso do Hugging Face que pede dados de contato, e a Cohere também oferece o modelo pela API dela e por um serviço gerenciado.
Bom para
- Transcrição precisa de chamadas, reuniões e entrevistas em qualquer um dos 14 idiomas suportados
- Reconhecimento de voz auto-hospedado com licença Apache 2.0 e sem taxas por minuto
- Transcrição em lote de gravações longas, já que o modelo é feito para alto throughput offline
- Produtos em chinês, japonês, coreano ou árabe, que muitos reconhecedores voltados para o europeu não cobrem
Pontos de atenção
- Não há detecção automática de idioma, então você precisa passar o idioma, e o code-switching é tratado de forma irregular
- Sem marcações de tempo nem rótulos de falante, então use outra ferramenta se precisar de legendas ou de quem disse o quê
- Ruído baixo pode ser transcrito como palavras a menos que você adicione antes detecção de atividade de voz
- O primeiro lugar é de março de 2026 e o ranking mudou desde então, e todos os números são da própria Cohere
- O Hugging Face pede seus dados de contato antes de liberar os arquivos
As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.
De quanta memória ele precisa?
Números de memória para cada variante de Cohere Transcribe. Pipelines de imagem, vídeo, voz e música também carregam um codificador de texto e um decodificador, então a memória necessária pode ser maior que a do checkpoint principal.
| Variantes | Parâmetros | Tamanho do download | Memória necessária | Cabe em |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | Notebook ou celular |
O tamanho do download cobre todos os componentes necessários para executar o modelo, como o gerador, o codificador de texto e o decodificador. A memória necessária é um mínimo declarado ou medido e publicado, quando existe; caso contrário, é o tamanho do download mais cerca de 15%. Imagens maiores, clipes mais longos e resoluções mais altas precisam de mais memória.
A licença em palavras simples
Uma das licenças permissivas mais utilizadas. Você pode usar e modificar o modelo e vender produtos criados a partir dele com apenas algumas condições leves.
Veja também
Perguntas frequentes
- O que é Cohere Transcribe?
- O Cohere Transcribe transforma fala gravada em texto em 14 idiomas, incluindo inglês, chinês, japonês, coreano e árabe. Ele faz uma única coisa, transcrição, e foi construído para ser rápido e preciso, não para conversar. Você informa qual idioma esperar, e ele não adiciona marcações de tempo nem identifica falantes.
- Posso usar Cohere Transcribe comercialmente?
- Sim. Cohere Transcribe é lançado sob Apache 2.0, uma licença permissiva. Você pode usá-lo comercialmente se seguir as condições padrão, como manter o aviso de licença.
- Cohere Transcribe é de código aberto?
- Cohere Transcribe é lançado sob Apache 2.0, uma licença aprovada pela Open Source Initiative. Os dados e o código de treinamento podem não ser públicos, então o melhor é descrevê-lo como pesos abertos sob uma licença de código aberto.
- Consigo rodar Cohere Transcribe no meu próprio computador?
- Sim. A menor variante, Cohere Transcribe 03-2026, precisa de cerca de 4.75 GB de memória em precisão de 4 bits, o que cabe em um notebook moderno ou em uma placa de vídeo intermediária.
- Quando Cohere Transcribe foi lançado?
- Cohere Transcribe foi lançado por Cohere em 26 de março de 2026.
Links oficiais
Fontes
As especificações vêm destas fontes primárias. As afirmações de benchmark, quando mencionadas, são informadas pelo desenvolvedor.
- 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
Data de lançamento e fatos verificados pela última vez em 11 de novembro de 2026.
Modelos relacionados
| Modelo | Lançamento | Parâmetros | Contexto | Licença | Memória da menor variante |
|---|---|---|---|---|---|
| Granite Speech 5.0 EN IBM | 470M – 2.31B | – | Apache 2.0 (Permissiva) | 1.09 GB Notebook ou celular | |
| Parakeet TDT 0.6B v3 EN NVIDIA | 627M | – | CC BY 4.0 (Permissiva) | 2.89 GB Notebook ou celular | |
| Qwen3-ASR EN Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (Permissiva) | 2.12 GB Notebook ou celular | |
| Whisper large-v3-turbo EN OpenAI | 810M – 1.54B | – | MIT (Permissiva) | 6 GB Notebook ou celular |