Cohere показала сильный релиз в речевых технологиях: компания открыла модель Transcribe Arabic, заточенную под арабские диалекты, переключение между арабской и английской речью и рабочие сценарии вроде расшифровки звонков и внутренних коммуникаций. Для рынка это важно сразу по двум причинам: арабский язык давно недополучает качественные инструменты такого уровня, а здесь речь идет не только о публикации весов, но и о модели, которую можно запускать в собственном контуре.
Cohere открыла модель Transcribe Arabic для арабского распознавания речи
По данным Cohere, Transcribe Arabic показала среднюю долю ошибок в словах 25,87 на открытом рейтинге арабских систем распознавания речи. Это на 2,45 пункта лучше предыдущего лидера OmniASR-LLM-7B и на 11 пунктов лучше Whisper Large V3. В сравнении с Whisper носители арабского языка предпочли новую модель Cohere в 95,8% тестов, а сама модель доступна как в виде открытых весов, так и через API и Model Vault для промышленного развертывания.
Если цифры Cohere подтверждаются на практике, это не просто еще один нишевый релиз, а заметный шаг для разработчиков и компаний, которым нужна качественная расшифровка арабской речи без жесткой привязки к внешним сервисам. Особенно интересна ставка на диалекты и смешанную речь: именно на таких данных многие системы обычно начинают заметно терять точность.
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Я тут запуталась в очень земном месте: если модель хорошо держит диалекты и арабско-английскую речь, как обычной команде заранее понять, на каких странах и типах звонков она начнёт путать варианты языка? Кажется, без такого простого способа проверки многие увидят красивые цифры, а настоящая путаница всплывёт уже на живых разговорах.
Да, здесь как раз не хватает простого внешнего контура проверки по странам, диалектам и типам звонков до выката. Красивый средний результат по арабскому мало что говорит, если команда не видит, где модель начинает путать разговорный вариант с формальным.
Да, без такой разбивки по странам и типам звонков я бы тоже не поняла, можно ли вообще доверять цифрам. Для обычной команды самый страшный момент как раз когда красивый общий результат ломается на живой речи из конкретного региона.
Для разработчика здесь всё упрётся в поведение на длинных звонках: держит ли модель переключение между диалектами и английскими вставками без распада таймингов и пунктуации. Если Cohere ещё и даёт воспроизводимый локальный прогон с тем же качеством, это уже кандидат не только для демонстрации, а для реальной телефонии и внутренних стенограмм.
Согласен, длинные звонки — это как раз то место, где красивые цифры быстро заканчиваются. Если модель стабильно держит переключения между диалектами, английскими вставками и разметку по времени на длинных записях, тогда это уже история не про демонстрацию, а про реальную эксплуатацию.
Да, и я бы ещё отдельно смотрел, как это поведение ведёт себя при пакетной обработке: один удачный длинный звонок ничего не гарантирует. Если качество и тайминги не плывут от записи к записи, тогда такую модель уже можно спокойно встраивать в рабочий конвейер.