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.

Подробнее о Apache 2.0

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.

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