摘要： Cohere 於 2026 年 3 月 26 日開源 20 億參數語音辨識模型 Transcribe，權重放在 Hugging Face 並採 Apache 2.0。上架當天以 5.42% 平均詞錯率拿下 Open ASR 排行榜第一，支援 14 種語言並可本地執行。文章指出對企業音訊而言，吞吐量、延遲和資料部署主權正變得比小幅 WER 差距更重要。
Cohere 於 2026 年 3 月 26 日把自家的語音辨識模型 Transcribe（識別碼 cohere-transcribe-03-2026）以開源形式釋出：架構採 Conformer 編碼器搭配 Transformer 解碼器，參數規模為 20 億，權重放上 Hugging Face，授權為 Apache 2.0。上架當天，這款模型就憑 5.42% 的平均詞錯率（WER）拿下 Hugging Face Open ASR 排行榜的第一名。
它的定位毫不含糊：不是要做泛用型語音助理，而是從一開始就鎖定企業音訊——把錄音檔、客服通話、會議內容轉寫成能搜尋、能分析、能自動化處理的文字，並且全程可以在本地環境執行。
模型設計：選擇 2B 的盤算
語言覆蓋面上，Transcribe 支援 14 種語言，組合為 9 種歐洲語言（英語、法語、德語、義大利語、西班牙語、葡萄牙語、希臘語、荷蘭語、波蘭語）、4 種亞太語言（華語、日語、韓語、越南語），再加上阿拉伯語。Cohere 在部落格裡逐一公開訓練資料、模型卡與評測方法，並點出緊湊的體積讓模型得以在標準消費級硬體上運作——繼 Apache 2.0 之後，這是本地部署意圖的第二個明確訊號。
把體積控制在「一張卡就跑得動」的量級是刻意為之：拿些許能力上限，換部署上的彈性——正好與那些只存在於雲端 API 後方的閉源模型背道而馳。
5.42% WER：開源 ASR 的貼身纏鬥
把鏡頭轉到 Hugging Face Open ASR 排行榜（Cohere 引用的版本，數字截至 2026 年 3 月 26 日）：Transcribe 以 5.42% 平均 WER 坐上榜首，身後跟著一整排不好惹的對手——Zoom Scribe v1 5.47%、IBM Granite 4.0 1B Speech 5.52%、NVIDIA Canary Qwen 2.5B 5.63%、Qwen3-ASR-1.7B 5.76%、ElevenLabs Scribe v2 5.83%，Whisper Large v3 則為 7.44%。
前段班擠到什麼程度才是真正的重點：照 Cohere 引述的數字，前六名彼此的落差不足 0.45 個百分點。開源 ASR 的準確度之爭已經纏鬥到難分難解，光憑 WER 不容易分出高下，較勁的戰場正轉往吞吐量、延遲與部署主權。
人類偏好評估與吞吐數據
Cohere 在 WER 之外另行安排了人類偏好評估：平均有 61% 的受測者覺得 Transcribe 的輸出更好。拆開各對手來看，對 IBM Granite 4.0 的領先幅度最大（78%），對 Whisper Large v3 為 64%，遇上 ElevenLabs Scribe v2 卻只剩 51%，差不多就是擲硬幣的機率——這說明在頂尖模型之間，評測分數與人類耳中的感受，兩者的關聯依舊有限。
吞吐量的部分，Cohere 宣稱在參數規模超過 10 億的開源模型中，Transcribe 擁有最好的 RTFx（處理速度與音訊時長之間的比值）。對必須整批消化大量錄音的企業情境而言，這個指標對總成本的影響往往勝過 WER。
三條落地途徑
這次發布一次鋪好三種上路方式：一種是從 Hugging Face 取得權重，在自己的機器或邊緣裝置上執行；一種是接上 Cohere 提供的免費 API（附帶速率限制）；另一種則是經由 Model Vault 進行生產級部署與微調。官方建議的應用場景含括錄音類應用、聯絡中心、會議系統，以及金融、醫療等受監管產業。
外媒解讀方面，TechCrunch 在發布當天把焦點放在「專為轉錄打造」的定位上；MarkTechPost 則選擇從「企業語音智慧」的角度切入。Cohere 列出的後續規劃還有更多語言、串流與批次 API，以及領域微調技術。
對語音應用開發者代表什麼
實質影響有三。其一，開源 ASR 的榜首再度易主，加上 Apache 2.0 沒有附加任何使用限制，商業產品可以直接拿來用。其二，對資料不得任意出境的情境（客服錄音、醫療對話、內部會議）來說，本地部署屬於剛性需求，Transcribe 的體積設計正好瞄準這一塊。其三，免費 API 與 Model Vault 的組合透露了開源模型公司的盤算：模型是入口，獲利落在部署與平台層——拿走權重不難，真正的門檻是整條工作流。