Cohere Transcribe
Первая открытая речевая модель Cohere: специалист по транскрибации на 2B для 14 языков, выпущена под Apache 2.0.
Коротко. Cohere Transcribe превращает записанную речь в текст на 14 языках, включая английский, китайский, японский, корейский и арабский. Он делает одно дело — транскрибацию, и создан быстрым и точным, а не болтливым. Нужно указать, какой язык ожидать; временных меток он не добавляет и спикеров не различает.
Краткое описание
Cohere выпустила Cohere Transcribe, свою первую голосовую модель, 26 марта 2026 года под Apache 2.0. В ней около 2,07 миллиарда параметров, и это специализированный распознаватель речи с аудио на входе и текстом на выходе, обученный с нуля, а не языковая модель с добавленным аудио. Энкодер Fast-Conformer несёт более 90% параметров, а лёгкий декодер Transformer записывает текст, поэтому на генерацию по токенам уходит мало вычислений. Обучение шло на 14 языках: английский, французский, немецкий, итальянский, испанский, португальский, греческий, нидерландский, польский, китайский (путунхуа), японский, корейский, вьетнамский и арабский. Аудио пересемплируется до 16 кГц, стерео усредняется в один канал, а пунктуацию можно отключить флагом.
Cohere сообщает средний Word Error Rate 5.42% на англоязычном Open ASR Leaderboard по состоянию на 26 марта 2026 года, что было первым местом на тот момент. В её таблице Zoom Scribe v1 — 5.47%, IBM Granite 4.0 1B Speech — 5.52%, NVIDIA Canary Qwen 2.5B — 5.63%, Qwen3-ASR-1.7B — 5.76%, ElevenLabs Scribe v2 — 5.83% и Whisper Large v3 — 7.44%. Cohere также говорит, что оффлайн-пропускная способность до трёх раз выше, чем у специализированных распознавателей похожего размера, и отчитывается о сильных результатах в тестах человеческих предпочтений по качеству транскрипта. Более новая модель на этом сайте, Granite Speech 5.0 2B, позже отчиталась о более низкой английской средней. Все эти цифры — от разработчиков, а лидерборд часто меняется.
Карточка на Hugging Face называет три ограничения. Модель работает лучше всего, когда вы заранее называете один из 14 языков, у неё нет автоматического определения языка, и смешение языков в аудио она обрабатывает непоследовательно. Временных меток и меток спикеров она не выдаёт. И как большинство распознавателей энкодер-декодер, она жаждет транскрибировать, так что тихий шум может превратиться в выдуманный текст, если не поставить перед ней шумовой гейт или детектор голосовой активности.
Она работает в Hugging Face Transformers начиная с версии 5.4.0, в vLLM для сервиса через эндпоинт транскрибации в стиле OpenAI и в mlx-audio на Apple silicon, а карточка перечисляет community-порты вроде версии на Rust, браузерного демо и сборок GGUF. Длинные записи режутся на куски и автоматически сшиваются обратно. Веса лежат за запросом доступа Hugging Face, который просит поделиться контактными данными, а Cohere также предлагает модель через свой API и управляемый сервис.
Подходит для
- Точная транскрибация звонков, встреч и интервью на любом из 14 поддерживаемых языков
- Самостоятельный хостинг распознавания речи под лицензией Apache 2.0 без поминутных платежей
- Пакетная транскрибация длинных записей: модель рассчитана на высокий оффлайн-пропуск
- Продукты на китайском, японском, корейском или арабском, которые многие европоцентричные распознаватели не покрывают
На что обратить внимание
- Нет автоматического определения языка, язык нужно передавать, а смешение языков обрабатывается нестабильно
- Нет временных меток и меток спикеров, для субтитров или кто-что-сказал возьмите другой инструмент
- Тихий шум может превратиться в слова, если сначала не добавить детекцию голосовой активности
- Первое место датировано мартом 2026 года, лидерборд с тех пор изменился, и все цифры — от самой Cohere
- Hugging Face просит контактные данные, прежде чем открыть файлы
Заявления о производительности поступают от разработчика и не проверялись независимо.
Сколько памяти ему нужно?
Данные по памяти для каждого варианта Cohere Transcribe. Конвейеры для изображений, видео, речи и музыки дополнительно загружают текстовый энкодер и декодер, поэтому памяти может понадобиться больше, чем весит основной чекпойнт.
| Варианты | Параметры | Объём загрузки | Требуемая память | Поместится на |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | Ноутбук или телефон |
Объём загрузки включает все компоненты, нужные для работы модели: генератор, текстовый энкодер, декодер и другие. Требуемая память — это заявленный или опубликованный измеренный минимум, если он есть; иначе это объём загрузки плюс около 15%. Более крупные изображения, более длинные клипы и большее разрешение требуют больше памяти.
Лицензия простыми словами
Одна из самых распространённых разрешительных лицензий. Вы можете использовать и изменять модель, а также продавать продукты, созданные на её основе, выполнив лишь несколько лёгких условий.
Смотрите также
Частые вопросы
- Что такое Cohere Transcribe?
- Cohere Transcribe превращает записанную речь в текст на 14 языках, включая английский, китайский, японский, корейский и арабский. Он делает одно дело — транскрибацию, и создан быстрым и точным, а не болтливым. Нужно указать, какой язык ожидать; временных меток он не добавляет и спикеров не различает.
- Можно ли использовать Cohere Transcribe в коммерческих целях?
- Да. Cohere Transcribe выпущена под Apache 2.0 — это пермиссивная лицензия. Использовать её в коммерческих целях можно при соблюдении стандартных условий, например с сохранением уведомления о лицензии.
- Является ли Cohere Transcribe моделью с открытым исходным кодом?
- Cohere Transcribe выпущена под Apache 2.0 — лицензией, одобренной Open Source Initiative. Обучающие данные и код обучения могут быть закрыты, поэтому точнее всего говорить об открытых весах под открытой лицензией.
- Можно ли запустить Cohere Transcribe на своём компьютере?
- Да. Минимальному варианту, Cohere Transcribe 03-2026, нужно около 4.75 GB памяти в 4-битной точности — это по силам современному ноутбуку или видеокарте среднего уровня.
- Когда вышла Cohere Transcribe?
- Cohere Transcribe выпущена разработчиком Cohere 26 марта 2026 г..
Официальные ссылки
Источники
Характеристики взяты из этих первоисточников. Упомянутые результаты бенчмарков приведены по данным разработчика.
- 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
Дата выпуска и факты в последний раз проверены 11 ноября 2026 г..
Связанные модели
| Модель | Дата выпуска | Параметры | Контекст | Лицензия | Память минимального варианта |
|---|---|---|---|---|---|
| Granite Speech 5.0 EN IBM | 470M – 2.31B | – | Apache 2.0 (Пермиссивная) | 1.09 GB Ноутбук или телефон | |
| Parakeet TDT 0.6B v3 EN NVIDIA | 627M | – | CC BY 4.0 (Пермиссивная) | 2.89 GB Ноутбук или телефон | |
| Qwen3-ASR EN Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (Пермиссивная) | 2.12 GB Ноутбук или телефон | |
| Whisper large-v3-turbo EN OpenAI | 810M – 1.54B | – | MIT (Пермиссивная) | 6 GB Ноутбук или телефон |