Cohere Transcribe：开放语音转写模型的部署清单
Cohere 发布的 20 亿参数开放语音识别模型，支持 14 种语言与 API、自托管、Model Vault 交付；导入时应实测口音、噪声、专有名词和未内置的时间戳与说话人分离需求。
Cohere Transcribe voice-ai multilingual open-source developer-api Cohere 发布的 20 亿参数开放语音识别模型，支持 14 种语言与 API、自托管、Model Vault 交付；导入时应实测口音、噪声、专有名词和未内置的时间戳与说话人分离需求。
Cohere Transcribe
1. 一句话结论
Cohere Transcribe 是 Cohere 于 2026 年 3 月发布的开放权重自动语音识别模型，将音频波形转换为文本，支持 14 种语言。[S1][S2] 它可作为会议记录、通话分析和语音工作流的转写层，但官方未内置的说话人分离、时间戳和自动语言检测需要另外设计。[S2]
2. 发布与定位
官方将它称为首个转写模型，既提供 Apache 2.0 开放权重，也提供 Audio Transcriptions API 和面向生产的 Model Vault。[S1][S2] 其定位是专用 ASR，而不是同时做问答、摘要或语音生成的通用音频助手；后续语义处理要交给其他模型或规则。
3. 核心能力
模型为 20 亿参数，采用 Conformer 编码器加轻量 Transformer 解码器。[S1][S2] 支持英语、德语、法语、意大利语、西班牙语、葡萄牙语、希腊语、荷兰语、波兰语、越南语、中文、阿拉伯语、日语和韩语。[S2] API 单文件上限为 25MB。[S2]
4. 适用场景
适合首批验证的是语种已知、格式统一且有人工文本的数据，例如客服抽检、采访归档、培训检索和语音表单。若流程依赖精确时间码、多说话人标记或实时流，需补齐外部模块并单独验收。
5. 推荐部署路径
先通过 API 用样本建立错误率和延迟基线，不要改造整条音频管线。样本应按语言、口音、应用、麦克风、噪声和时长分层。结果达标后，对敏感音频再评估开放权重自托管；需专用容量且不想自管推理时，再评估 Model Vault。[S1][S2]
6. 主要风险
官方说明模型在单一、预指定语言中表现最好，不自动检测语言，也不输出时间戳或说话人分离。[S2] 姓名、产品名、数字和混说错误会影响后续检索。音频可能包含声纹和敏感对话，上传或保存前必须确定授权与保留期。
7. 同类对比
官方将 Cohere Transcribe 与 Whisper、Qwen3-ASR、Voxtral 放在准确率和吞吐量图表中，但这是发布方选定数据集与测试方式的结果。[S1] 选型应在同一批真实音频上统一归一化规则，再比较错字、速度、硬件和人工修改成本。
8. 成本与治理
文档称 API 可在试用限额内使用，Model Vault 按专用实例定价，报价需联系 Cohere。[S2] 自托管要统计 GPU、预处理、存储、监控和升级。治理记录应包含模型版本、语言参数、音频权限、文本修订和删除时间。
9. 验收方法
每个目标语种准备人工校对音频，标记数字、姓名、专有名词、口音、噪声、重叠说话和语言切换。统计字词错误率、关键实体错误率、时间和失败重试。检索可容忍少量虚词错误，合规归档对姓名、金额和否定词应更严格。
10. 来源与更新时间
调研截至 2026 年 8 月 13 日。模型版本、支持语言、API 文件上限、限额、报价和 Model Vault 能力可能变化，上线前应复核模型文档与账号实际配置。