人工智能公司 Cohere 通過其 Cohere Labs 在 Hugging Face 上正式開源了一款名為 Cohere Transcribe Arabic 的語音識別模型。該模型擁有 20 億參數，採用 Apache 2.0 許可證，是一個專用於音頻輸入、文本輸出的自動語音識別系統。

這款模型的核心定位非常明確：專注於阿拉伯語及其與英語的混合場景。根據模型卡信息，其訓練重點在於提升對多種阿拉伯語方言的識別準確率，以及處理對話中常見的阿英混雜現象。這在中東和北非地區的日常交流中極為普遍，也是此前許多通用語音模型表現不佳的痛點。

從技術架構上看，Cohere Transcribe Arabic 基於 Conformer 編碼器-解碼器結構。一個大型 Conformer 編碼器負責從音頻波形中提取聲學特徵，隨後由一個輕量級的 Transformer 解碼器生成文本令牌。模型在預處理階段會自動將輸入音頻重採樣至 16kHz，並將立體聲轉換為單聲道，簡化了用戶的使用流程。

在功能層面，該模型提供了多項實用特性。它原生支持 長音頻轉錄，處理器會自動將長音頻切分為片段並分別轉錄，最後再重新組合成完整文本。用戶還可以通過參數控制是否輸出標點符號，關閉標點功能後模型將輸出小寫且無標點的純文本。此外，模型明確支持英語轉錄，只需在調用時指定語言代碼即可。

為了滿足不同場景的需求，Cohere 提供了兩種部署路徑。對於離線推理，模型已原生集成至 Hugging Face Transformers 庫，用戶只需幾行代碼即可加載使用。對於追求高吞吐量和低延遲的生產環境，Cohere 推薦使用 vLLM 進行服務化部署，並提供了詳細的安裝和啟動指令。

此次發佈是 Cohere 在語音技術領域的一次重要開源嘗試。此前，該領域的開源標杆是 OpenAI 的 Whisper 系列模型。Cohere 選擇從阿拉伯語這一特定語言切入，而非發佈一個通用大模型，顯示出其希望通過深度優化特定語言和方言來建立差異化優勢的策略。對於 AI 產業投資者而言，這意味著語音交互應用在多語言市場的競爭正在從通用能力轉向對特定區域、特定語言習慣的精細化打磨，可能催生一批面向非英語市場的本地化語音應用。