Распознавание речи на арабском языке, особенно с учетом его многочисленных диалектов, всегда было сложной задачей для разработчиков. Новая открытая модель Cohere Transcribe Arabic претендует на звание самой точной среди бесплатных решений, упрощая создание голосовых AI-приложений для региона.
Cohere Transcribe Arabic — это модель преобразования речи в текст (ASR) с открытым исходным кодом (Apache 2.0), заявленная как самая точная ASR для арабского языка, включая его многочисленные региональные диалекты. Модель имеет 2B параметров и построена на архитектуре кодировщик-декодер на основе конформера.
Эта архитектура, сочетающая Conformer-кодировщик и Transformer-декодер, особенно хорошо подходит для работы со сложными и разнообразными речевыми данными, такими как арабские диалекты и смешанная речь. Модель принимает на вход аудиофайлы, автоматически ресемплируя их до 16 кГц и преобразуя многоканальный звук в моно. Cohere Transcribe Arabic поддерживает все основные диалекты арабского языка, а также английский, включая речь с арабским акцентом.
Модель доступна двумя способами: через API V2 Audio Transcriptions для интеграции в онлайн-сервисы и в виде открытых весов на платформе Hugging Face под именем cohere-transcribe-arabic-07-2026 для локального запуска. Для производственных развертываний Cohere также предлагает использование через свой сервис Model Vault.
Появление столь точной и открытой модели от крупного вендора, как Cohere, упрощает создание голосовых AI-приложений для арабскоговорящих регионов. Это убирает барьер дороговизны и сложности кастомной разработки, устанавливая новый стандарт для опенсорс-решений в области ASR. Однако независимые бенчмарки, подтверждающие заявленную точность, пока не представлены.