人工智能公司 Cohere 通过其 Cohere Labs 在 Hugging Face 上正式开源了一款名为 Cohere Transcribe Arabic 的语音识别模型。该模型拥有 20 亿参数，采用 Apache 2.0 许可证，是一个专用于音频输入、文本输出的自动语音识别系统。
这款模型的核心定位非常明确：专注于阿拉伯语及其与英语的混合场景。根据模型卡信息，其训练重点在于提升对多种阿拉伯语方言的识别准确率，以及处理对话中常见的阿英混杂现象。这在中东和北非地区的日常交流中极为普遍，也是此前许多通用语音模型表现不佳的痛点。
从技术架构上看，Cohere Transcribe Arabic 基于 Conformer 编码器-解码器结构。一个大型 Conformer 编码器负责从音频波形中提取声学特征，随后由一个轻量级的 Transformer 解码器生成文本令牌。模型在预处理阶段会自动将输入音频重采样至 16kHz，并将立体声转换为单声道，简化了用户的使用流程。
在功能层面，该模型提供了多项实用特性。它原生支持 长音频转录，处理器会自动将长音频切分为片段并分别转录，最后再重新组合成完整文本。用户还可以通过参数控制是否输出标点符号，关闭标点功能后模型将输出小写且无标点的纯文本。此外，模型明确支持英语转录，只需在调用时指定语言代码即可。
为了满足不同场景的需求，Cohere 提供了两种部署路径。对于离线推理，模型已原生集成至 Hugging Face Transformers 库，用户只需几行代码即可加载使用。对于追求高吞吐量和低延迟的生产环境，Cohere 推荐使用 vLLM 进行服务化部署，并提供了详细的安装和启动指令。
此次发布是 Cohere 在语音技术领域的一次重要开源尝试。此前，该领域的开源标杆是 OpenAI 的 Whisper 系列模型。Cohere 选择从阿拉伯语这一特定语言切入，而非发布一个通用大模型，显示出其希望通过深度优化特定语言和方言来建立差异化优势的策略。对于 AI 产业投资者而言，这意味着语音交互应用在多语言市场的竞争正在从通用能力转向对特定区域、特定语言习惯的精细化打磨，可能催生一批面向非英语市场的本地化语音应用。