Cohere Transcribe
Cohere 的首个开放语音模型:面向 14 种语言的 2B 转写专用模型,采用 Apache 2.0 许可证。
一句话概括. Cohere Transcribe 把录音转成文字,支持英语、中文、日语、韩语、阿拉伯语等 14 种语言。它只做转写这一件事,追求又快又准,而不是聊天。你需要告诉它预期的语言,它不会加时间戳,也不会区分说话人。
概述
Cohere 在 2026 年 3 月 26 日发布了自己的首个语音模型 Cohere Transcribe,采用 Apache 2.0。它约有 20.7 亿参数,是专门做音频输入、文字输出的语音识别模型,从零训练而来,不是给语言模型加了音频输入。Fast-Conformer 编码器占了超过 90% 的参数,轻量的 Transformer 解码器负责写出文字,因此逐个 token 生成所花的计算很少。它训练覆盖 14 种语言:英语、法语、德语、意大利语、西班牙语、葡萄牙语、希腊语、荷兰语、波兰语、普通话、日语、韩语、越南语和阿拉伯语。音频会被重采样到 16 kHz,立体声会被平均成单声道,标点可以用一个参数关掉。
Cohere 报告,截至 2026 年 3 月 26 日,它在英语 Open ASR Leaderboard 上的平均词错误率是 5.42%,当时排名第一。它的表格列出:Zoom Scribe v1 为 5.47%,IBM Granite 4.0 1B Speech 为 5.52%,NVIDIA Canary Qwen 2.5B 为 5.63%,Qwen3-ASR-1.7B 为 5.76%,ElevenLabs Scribe v2 为 5.83%,Whisper Large v3 为 7.44%。Cohere 还称离线吞吐量最高可达同等规模专用识别模型的三倍,并且在人工偏好测试中,它的转写质量表现很强。本站收录的较新模型 Granite Speech 5.0 2B 此后报告了更低的英语平均错误率。这些数字都来自开发者,排行榜也经常变动。
Hugging Face 模型卡列出了三点限制。模型最好提前指定 14 种语言中的一种,它没有自动语言检测,对夹杂多种语言的音频表现不稳定。它不输出时间戳,也不区分说话人。并且和大多数编码器-解码器识别模型一样,它很爱转写,轻微的噪声也可能变成凭空编出的文字,除非前面加上噪声门或语音活动检测。
它可以在 5.4.0 及以上版本的 Hugging Face Transformers 中运行,也可以用 vLLM 通过类似 OpenAI 的转写接口来部署,在 Apple 芯片上用 mlx-audio;模型卡还列出了 Rust 版、浏览器演示和 GGUF 等社区移植版本。长录音会被自动切块再拼接回来。权重放在需要点击确认的 Hugging Face 访问提示后,需要你提供联系方式;Cohere 也通过自己的 API 和托管服务提供这个模型。
适合做什么
- 准确转写电话、会议和访谈,支持 14 种语言中的任意一种
- 自托管语音识别,采用 Apache 2.0 许可证,没有按分钟计费
- 批量转写长录音,因为模型针对高离线吞吐量设计
- 中文、日语、韩语或阿拉伯语的产品,这些语言很多偏重欧洲语言的识别模型并不覆盖
需要注意
- 没有自动语言检测,需要自己传入语言,夹杂多种语言的音频表现不稳定
- 没有时间戳,也不区分说话人,需要字幕或说话人标注时要另找工具
- 轻微噪声可能被转写成文字,除非先加语音活动检测
- 第一名是 2026 年 3 月的结果,此后排行榜已有变化,所有数字都是 Cohere 自己报告的
- Hugging Face 会先要求你提供联系方式,才放行文件
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Cohere Transcribe 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| Cohere Transcribe 03-2026 BF16 | 2.07B | 4.13 GB | 4.75 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
- Parakeet TDT 0.6B v3 与 Cohere Transcribe 对比:该用哪个模型?
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源语音识别(语音转文字)模型
- 开放语音模型:转写很开放,文字转语音则参差不齐
常见问题
- Cohere Transcribe 是什么?
- Cohere Transcribe 把录音转成文字,支持英语、中文、日语、韩语、阿拉伯语等 14 种语言。它只做转写这一件事,追求又快又准,而不是聊天。你需要告诉它预期的语言,它不会加时间戳,也不会区分说话人。
- Cohere Transcribe 可以商用吗?
- 可以。Cohere Transcribe 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- Cohere Transcribe 是开源的吗?
- Cohere Transcribe 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 Cohere Transcribe 吗?
- 可以。最小版本 Cohere Transcribe 03-2026 在 4 位精度下约需 4.75 GB 内存,现代笔记本或中端显卡即可胜任。
- Cohere Transcribe 是什么时候发布的?
- Cohere Transcribe 由 Cohere 于 2026年3月26日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- 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
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Granite Speech 5.0 IBM | 470M – 2.31B | – | Apache 2.0 (宽松) | 1.09 GB 笔记本或手机 | |
| Parakeet TDT 0.6B v3 NVIDIA | 627M | – | CC BY 4.0 (宽松) | 2.89 GB 笔记本或手机 | |
| Qwen3-ASR Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (宽松) | 2.12 GB 笔记本或手机 | |
| Whisper large-v3-turbo OpenAI | 810M – 1.54B | – | MIT (宽松) | 6 GB 笔记本或手机 |