#cohere-transcribe シリーズ

説明

• ライセンス：Apache 2.0。商用利用・再配布が可能
• ベースモデルは CohereLabs/cohere-transcribe-03-2026 を採用。2BパラメータのConformerエンコーダ + 軽量Transformerデコーダ構成。50万時間の高品質音声テキストペアでゼロから学習。同規模のASRモデルと比較し、推論スループットを最大3倍に向上。
• 入力前処理：音声は自動的に16kHzにリサンプリング。ステレオなど複数チャンネル入力は平均処理でモノラル化し、log-Melスペクトログラムへ変換。長時間音声は自動的にチャンク分割・再結合され、1時間級の音声書き起こしに対応。
• 出力仕様：句読点は標準で有効。パラメータにより無効化可能。
• 制限事項：タイムスタンプ、話者分離、自動言語判別機能は搭載されていません。推論実行前に対象言語を手動で指定する必要があります。言語混在音声では認識精度が不安定。背景ノイズをテキストとして誤出力する場合があるため、VAD（音声区間検出）と併用することを推奨。
• モデル性能：公式ASRベンチマークで平均WER 5.42%を達成。会議録音・長文音声で高い精度を発揮し、Whisper Large v3をはじめとする主要なオープンソースASRモデルを上回る性能。
• エコシステム対応：Transformers、vLLM、MLX、Rust、WebGPUにネイティブ対応。ブラウザ、Apple Silicon、サーバーなど複数プラットフォームにデプロイ可能。

対応言語・地域コード一覧：

zh-CN: 中国語（普通話）
en-US: 英語（米国）、en-GB: 英語（英国）
fr-FR: フランス語（フランス）
de-DE: ドイツ語（ドイツ）
it-IT: イタリア語（イタリア）
es-ES: スペイン語（スペイン）
pt-PT: ポルトガル語（ポルトガル）
el-GR: ギリシャ語（ギリシャ）
nl-NL: オランダ語（オランダ）
pl-PL: ポーランド語（ポーランド）
ja-JP: 日本語
ko-KR: 韓国語
vi-VN: ベトナム語
ar-GLA: アラビア語、ar-MA: アラビア語（モロッコ）、ar-SA: アラビア語（サウジアラビア）、ar-EG: アラビア語（エジプト）、ar-KW: アラビア語（クウェート）、ar-LY: アラビア語（リビア）、ar-JO: アラビア語（ヨルダン）、ar-AE: アラビア語（UAE）、ar-LVT: アラビア語（レバント地域）

#cohere-transcribe モデル