Cohere 開源 Transcribe 語音模型：5.42% WER 登頂 ASR 排行榜

2026 年 3 月 26 日，Cohere 發布並開源其語音辨識模型 Transcribe（模型識別碼 cohere-transcribe-03-2026）：20 億參數，採 Conformer 編碼器加 Transformer 解碼器架構，以 Apache 2.0 授權上架 Hugging Face。發布當日，它以 5.42% 的平均詞錯率（WER）登上 Hugging Face Open ASR 排行榜第一名。

定位明確：不是通用語音助理模型，而是衝著企業音訊而來——把錄音、客服通話、會議轉成可搜尋、可分析、可自動化的文字，且可完全在本地跑。

模型設計：2B 參數的取捨

Transcribe 支援 14 種語言：9 種歐洲語言（英、法、德、義、西、葡、希臘、荷蘭、波蘭）、4 種亞太語言（華語、日語、韓語、越南語）與阿拉伯語。Cohere 在部落格詳列訓練資料、模型卡與評測方法，並強調緊湊體積可在標準消費級硬體上執行——是 Apache 2.0 之外另一個瞄准本地部署的訊號。

這個尺寸刻意留在「單卡可跑」的範圍內，用一點上限換部署彈性，與只存在於雲端 API 後面的閉源模型走相反的路。

5.42% WER：開源 ASR 進入比分咬合期

在 Hugging Face Open ASR 排行榜（Cohere 引用版本截至 2026 年 3 月 26 日）上，Transcribe 以 5.42% 的平均 WER 居首，領先一整排強勁對手：Zoom Scribe v1 為 5.47%、IBM Granite 4.0 1B Speech 為 5.52%、NVIDIA Canary Qwen 2.5B 為 5.63%、Qwen3-ASR-1.7B 為 5.76%、ElevenLabs Scribe v2 為 5.83%，而 Whisper Large v3 是 7.44%。

值得注意的是前段班的擁擠程度：Cohere 引述的前六名彼此差距不到 0.45 個百分點。開源 ASR 的精度競賽已進入比分咬合期，單靠 WER 很難拉開差距，差異化正轉向吞吐、延遲與部署主權。

人類評估與吞吐量表現

WER 之外，Cohere 補上人類偏好評估：受測者平均 61% 的比例偏好 Transcribe 的輸出。分對手看，對 IBM Granite 4.0 差距最大（78%），對 Whisper Large v3 為 64%，對 ElevenLabs Scribe v2 僅 51%——幾乎五五波，可見在頂尖模型之間，評測數字與人類聽感的相關性仍然有限。

吞吐量方面，Cohere 稱其在 10 億參數以上的開源模型中具備最佳 RTFx（處理速度與音訊時長之比）；對批次消化大量錄音的企業場景，這往往比 WER 更能決定總成本。

三種部署路徑

Transcribe 的發布刻意鋪了三條落地路徑：其一是從 Hugging Face 下載權重，在本地或邊緣裝置執行；其二是使用 Cohere 提供的免費 API（有速率限制）；其三是透過 Model Vault 做生產級部署與微調。建議場景包括錄音應用、聯絡中心、會議系統，以及金融、醫療等受監管產業。

TechCrunch 當日報導聚焦其「專為轉錄打造」的定位；MarkTechPost 則以「企業語音智慧」框架解讀。Cohere 的路線圖還包括更多語言、串流與批次 API，以及領域微調技術。

對語音應用開發者的意義

三個實際影響。第一，開源 ASR 榜首再次換人，且 Apache 2.0 無額外使用限制，商業產品可直接採用。第二，本地部署路徑對資料出境受限的場景（客服錄音、醫療對話、內部會議）是硬需求，Transcribe 的尺寸設計正對準這一塊。第三，免費 API 加 Model Vault 的組合，顯示開源模型公司把模型當入口、變現放在部署與平台層——採用權重容易，整條工作流才是護城河。

參考來源

本文由 AI 協助自上述來源整理，經人工審核後發布。