Cohere 发布开源阿拉伯语语音识别模型 Transcribe Arabic

一、它是什么？谁发布的？

2026年7月7日，Cohere 发布了 Cohere Transcribe Arabic。这是一个专门用来把阿拉伯语语音变成文字的模型，也就是“语音识别”模型。它基于 Cohere 今年早些时候发布的 2B 前沿语音识别模型，采用 Apache 2.0 许可证开放权重，开发者可以从 Hugging Face 下载，也可以通过 Cohere API 或 Model Vault 使用。官方称它是目前最准确的开源阿拉伯语语音识别模型。

打个比方，它就像一位能听懂多种阿拉伯语口音、还能听懂阿拉伯语里夹英语的速记员，你说话它就能准确记下来，并且尽量保留你原本的方言味道。

二、为什么阿拉伯语语音识别特别难？

阿拉伯语有超过3亿母语者，大约30种被承认的变体，光沙特阿拉伯就有三大方言群。虽然现代标准阿拉伯语是通用的书面标准，但日常说话时方言差异很大，发音、语法和用词都不一样。更麻烦的是，很多人说话时会混用阿拉伯语和英语，也就是“代码切换”。这让训练一个能听懂各种阿拉伯语语音的模型变得非常困难。

原文指出，阿拉伯语在先进 AI 系统中一直服务不足，而英语主导了模型开发和评估。Cohere 的目标就是缩小这个“前沿语言差距”，让阿拉伯语用户能用自然的方式说话。

三、它有多准？

在 Hugging Face 阿拉伯语 ASR 排行榜上，Cohere Transcribe Arabic 的平均词错误率（WER）为 25.87，是开源模型中最低的。这比之前的领先者 Meta 的 OmniASR-LLM-7B 好了 2.45 个百分点，比 OpenAI 的 Whisper Large V3 好了 11 个百分点。它在六个测试集中的四个排名第一，包括 Casablanca 和 Common Voice 等覆盖多种方言的数据集。

词错误率可以理解为“听错字的比例”，数字越低越好。25.87 意味着平均每100个词大约有26个词听错，虽然听起来还有错误，但在阿拉伯语这种方言复杂的语言上，这已经是开源模型里最好的成绩了。

四、人类评委更喜欢它吗？

Cohere 请了阿拉伯语母语者来评估转录质量，从三个维度打分：整体准确性、方言忠实度（是否保留了说话人的方言而不是都变成标准阿拉伯语）、以及处理代码切换的能力（英语词是否用拉丁字母正确转写）。Cohere Transcribe Arabic 在这三个维度上都得分最高。在直接对比中，人类评委在 95.8% 的测试中更喜欢它，而不是 Whisper。

对于带阿拉伯语口音的英语，人类评委在 77.2% 的测试中更喜欢它，而不是之前的 Cohere Transcribe；与 Whisper 相比，它在 52.6% 的测试中被认为更好，基本持平。

五、企业用起来快不快？

Cohere Transcribe Arabic 针对生产环境的高吞吐量做了优化，围绕 vLLM 构建，能处理大量语音任务，即使音频长度不一。官方称运行时和模型栈的更新带来了最高 2 倍的吞吐量提升。它的实时因子倍数（RTFx）达到 525，而 Whisper Large V3 是 146，OmniASR 7B-LLM 是 66。RTFx 可以理解为“处理速度是真实时间的多少倍”，数字越大越快。

这意味着企业可以用它快速处理大量客服录音、会议记录等场景，而不用等太久。

六、怎么获取和使用？

开发者可以从 Hugging Face 下载模型权重，并查看快速入门实现。也可以通过 Cohere API 或 Model Vault 访问托管模型。它采用 Apache 2.0 许可证，这意味着可以自由使用、修改和分发，包括商业用途。官方未说明 API 的具体定价和 Model Vault 的部署要求。

七、它适合谁？有什么限制？

它适合需要处理阿拉伯语语音的企业和开发者，尤其是涉及多种方言、阿拉伯语-英语混合的专业场景。对于阿拉伯语母语者来说，它能让语音转文字更自然、更准确。不过，原文没有说明它支持的具体方言完整列表、训练数据规模、硬件需求等。另外，虽然它在开源模型中领先，但词错误率仍有 25.87，在要求极高准确率的场景中可能还需要人工校对。