Cohere Transcribe

モデルカードでは、地域ごとにまとめられています。

• ヨーロッパ：英語、フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語、ギリシャ語、オランダ語、ポーランド語。
• アジア太平洋：中国語（標準中国語）、日本語、韓国語、ベトナム語。
• 中東・北アフリカ：アラビア語。

Cohereの説明では、Conformerベースのエンコーダ・デコーダ構成です：大きなConformerエンコーダが音響表現を抽出し、軽量なTransformerデコーダがテキストを生成します。既存のモデルを転用したのではなく、ゼロから学習されています。

モデルカードでは、2026年3月26日時点で、Open ASR Leaderboardの英語データセットでの平均単語誤り率（WER）は5.42%とされています。Cohereはリリース時に、これで同リーダーボードの精度で1位になったと発表しました。リーダーボードは変動するので、その日時点での主張として読んでください。

この数値は英語のものです。ほかの13言語については、モデルカードに1つにまとめた数値は載っていません。

モデルカードは、3つの制限をはっきり書いています。

• 言語の自動検出はありません。話されている言語を指定する必要があり、モデルカードによると、話者が文の途中で言語を切り替えると性能が安定しません。
• タイムスタンプも話者ラベルもありません。返すのはテキストだけです。
• 何でも文字起こししようとします。Cohereによると、この種のモデルの多くと同じく、話し声でない音まで文字起こししてしまうので、前段にノイズゲートや音声区間検出を置くと効果があります。

Cohereは自社のサービスでモデルを提供し、重みも公開しています。その重みを変換・量子化したビルドがApple silicon上で動くので、20億パラメータのモデルでも、ほかのすべてと並んでノートパソコンのメモリに収まります。