Cohere открыла код модели распознавания арабской речи, обходящей Whisper в 96% сравнений: нейросеть распознавание речи

Если ты когда-нибудь прогонял арабское аудио через Whisper и получал на выходе кашу из перепутанных диалектов и потерянных английских слов посреди фразы, у тебя теперь есть альтернатива. 7 июля 2026 года Cohere выложила модель, которая делает ровно одну вещь - переводит арабскую речь в текст - и делает её заметно точнее универсальных гигантов.

Это не «ещё одна большая мультиязычная модель». Это узкий инструмент на 2 миллиарда параметров, заточенный под конкретную боль: диалекты арабского и переключение между арабским и английским внутри одного предложения. И по опубликованным цифрам он в этой нише обходит и Whisper от OpenAI, и OmniASR от Meta.

Подключите модели для разработки с оплатой в рублях на provod.ai

Что именно произошло 7 июля?

Главное: Cohere анонсировала модель Cohere Transcribe Arabic 7 июля 2026 года, выложила её на Hugging Face под лицензией Apache 2.0 и добавила поддержку в библиотеку transformers. По данным Cohere, это специализированная ASR-модель: на входе аудио, на выходе текст, никаких других задач она не решает.

Разберём, что здесь ново, а что - маркетинг.

Новое и проверяемое:

• Модель весит 2B параметров и оптимизирована под арабские диалекты и арабско-английский код-свитчинг (переключение языков внутри речи). Источник - блог Cohere от 7 июля.
• Она открыта под Apache 2.0. Это разрешительная лицензия: можно брать в коммерческий продукт, дообучать, хостить у себя. Файлы лежат на Hugging Face по адресу CohereLabs/cohere-transcribe-arabic-07-2026.
• На Open Universal Arabic ASR Leaderboard модель показала WER 25.87 - лучший результат в этом лидерборде на момент публикации, по данным Cohere.

Здесь стоит спокойно поймать частую путаницу. Запрос «нейросеть распознавание речи» люди часто задают, ожидая одну универсальную модель на все языки и все задачи. Событие 7 июля показывает обратный тренд: маленькая модель под конкретный язык и конкретный сценарий обходит крупные универсальные системы. Это не значит, что Whisper «плохой» - он покрывает десятки языков. Это значит, что под арабский появился более точный узкий инструмент.

Если ты собираешь пайплайн для арабоязычной аудитории - колл-центр, субтитры, голосовые заметки, - эта разница в точности транскрипции напрямую бьёт по стоимости ручной вычитки, потому что каждый лишний процент WER - это правки, которые кто-то делает руками.

Насколько цифры реально лучше Whisper?

Главное: по данным Cohere, на Open Universal Arabic ASR Leaderboard WER у Cohere Transcribe Arabic - 25.87, у Whisper Large V3 - 36.86, у OmniASR-LLM-7B от Meta - 28.32. Меньше WER - лучше.

WER (Word Error Rate) - доля ошибочных слов в расшифровке: подстановки, пропуски и лишние вставки, делённые на число слов эталона. Чтобы было наглядно:

Все три числа - из блога Cohere от 7 июля. Обрати внимание на две вещи. Первое: Cohere при 2B параметрах опережает 7B-модель Meta. То есть дело не в размере, а в специализации и данных. Второе: даже лучший результат - это WER около 26. Это не «идеальная расшифровка». На каждые сто слов в среднем около двадцати шести ошибок по этой метрике. Для арабского с его диалектами и код-свитчингом это сильный результат, но не магия.

Отдельно про громкую цифру «96%». Cohere сообщает, что в слепых сравнениях люди предпочли расшифровку Cohere Transcribe Arabic варианту Whisper в 96% случаев.

⚠️ Важно: 96% - это внутреннее слепое тестирование Cohere. Детальная методология сравнения (какие аудио, сколько оценщиков, как отбирали примеры) в открытом виде не опубликована. Относись к этой цифре как к заявлению вендора, а не как к независимо воспроизведённому результату. WER на публичном лидерборде проверить можно, «96%» - пока нет.

Реакция сообщества тоже сдержанно-позитивная: издания the-decoder и TechCrunch разобрали релиз как пример нишевой открытой модели, обходящей крупных игроков в узкой задаче. Это сигнал интереса, а не доказательство качества. Доказательство - это WER на лидерборде и твои собственные тесты на своём аудио.

Как запустить модель у себя?

Главное: модель поддержана в transformers, весит 2B, лежит на Hugging Face под Apache 2.0. Минимальный запуск - несколько строк на Python.

Базовый локальный инференс через pipeline:

from transformers import pipeline

asr = pipeline( "automatic-speech-recognition", model="CohereLabs/cohere-transcribe-arabic-07-2026", device=0,  # GPU; поставь -1 для CPU )

result = asr("meeting\_ar.wav") print(result["text"])

Практические заметки, которые сэкономят тебе час:

1. Приведи аудио к 16 кГц моно заранее. ASR-модели ждут именно такой вход, иначе получишь тихий провал в качестве без явной ошибки. Прогони файлы через ffmpeg -i in.m4a -ar 16000 -ac 1 out.wav.
2. Длинные записи режь на куски по 20-30 секунд. 2B-модель влезает на скромную видеокарту, но контекст по длине звука ограничен, и цельный часовой файл ты просто не подашь одним куском.
3. Для CPU-инференса будь готов к медленной работе. 2B - это немного по меркам LLM, но для реального времени на CPU этого мало.

Второй путь - через Cohere API, если не хочешь держать веса и GPU у себя. Модель доступна и там, по данным Cohere. Это удобно для прототипа, но тогда аудио уходит на сторонний сервер, что важно учитывать для чувствительных данных.

Веса под Apache 2.0 - это ключевое отличие от закрытых облачных ASR. Ты можешь поставить модель в контур, где нет интернета, дообучить на своих записях и не платить за каждый запрос. Именно это делает событие 7 июля интересным для бизнеса, а не только для исследователей.

Где здесь ключи, доступы и безопасность?

Главное: локальный запуск не требует ключей вообще. Ключи появляются, только когда ты идёшь в облачный API - и тогда их нельзя хранить в коде.

Если качаешь веса с Hugging Face, для публичной модели токен не обязателен. Как только начинаешь дёргать облачные API - Cohere для самой транскрипции или сторонний LLM для постобработки текста, - держи ключи в переменных окружения, а не в репозитории.

import os

# ключ читаем из окружения, в git он не попадает COHERE\_API\_KEY = os.environ["COHERE\_API\_KEY"]  # секрет # перед запуском: export COHERE\_API\_KEY="..."

Типичные способы прострелить себе ногу на этом шаге:

• Захардкодить ключ в ноутбуке и запушить его в публичный репозиторий. Через минуты по нему уже ходят боты.
• Логировать полный текст расшифровки вместе с исходным аудио в общий лог. Для арабоязычных персональных данных это отдельный риск.
• Отправлять сырое аудио клиентов в облако без их согласия. Локальный инференс под Apache 2.0 как раз позволяет этого избежать.

Сколько это стоит и когда выбирать облако?

Главное: сама модель бесплатна по лицензии. Реальные затраты - это либо GPU под локальный хостинг, либо оплата за облачный API. Выбор зависит от объёма и требований к данным.

Считать надо не «цену модели», а стоимость всего пайплайна. Транскрипция - это обычно только первый шаг. Дальше идёт постобработка текста: расстановка пунктуации, разбивка на реплики спикеров, перевод, суммаризация, извлечение сущностей. И вот тут в игру входят большие языковые модели, которые ты, скорее всего, будешь звать по API.

Грубая карта выбора:

Про последнюю строку. Для расстановки пунктуации в арабском тексте, перевода расшифровки или сравнения формулировок тебе понадобится доступ к сильным LLM разных семейств. Из России прямой доступ к GPT, Claude или Gemini упирается в оплату и VPN. Здесь как раз полезен агрегатор: provod.ai собирает Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и даёт один API, совместимый с SDK OpenAI и Anthropic - меняешь ключ и base_url, оплата рублями с российской карты, по СБП или по счёту, без VPN и зарубежных карт. Сразу честно: саму арабскую ASR-модель это не заменяет - Cohere Transcribe Arabic ты берёшь с Hugging Face и запускаешь отдельно. provod.ai закрывает текстовую половину пайплайна: постобработку, перевод и сравнение ответов моделей.

Как выглядит переключение постобработчика через OpenAI-совместимый клиент:

import os from openai import OpenAI

client = OpenAI( api\_key=os.environ["PROVOD\_API\_KEY"],  # секрет читаем из окружения base\_url="https://api.provod.ai/v1", )

resp = client.chat.completions.create( model="gpt-4o",  # можно заменить на модель другого семейства messages=[{ "role": "user", "content": "Расставь пунктуацию и раздели по репликам:\\n" + raw\_text, }], ) print(resp.choices[0].message.content)

Тот же приём работает и когда надо сравнить, как разные семейства моделей чистят один и тот же арабский текст: меняешь поле model, base_url остаётся прежним.

Что ломается на практике и как это чинить?

Главное: большинство проблем не в модели, а в подготовке аудио и в склейке шагов. WER 25.87 ты получишь только на чистом входе.

Частые режимы отказа:

• Пустой или обрезанный текст. Обычно причина - неправильная частота дискретизации или битый файл. Проверь, что вход 16 кГц моно.
• Мешанина диалектов. Модель заточена под арабские диалекты, но если запись - смесь трёх дикторов с разным акцентом на фоновом шуме, ошибки растут. Чисти звук и режь по спикерам до подачи.
• Потеря английских вставок. Код-свитчинг - сильная сторона этой модели, но короткие бренды и аббревиатуры она всё равно может исказить. Это правится на этапе постобработки словарём.
• Медленный инференс. На CPU 2B-модель в реальном времени не тянет. Либо GPU, либо батч-обработка офлайн.

Если ты собираешь всё это в no-code сценарии вроде n8n, схема обычно такая: вебхук принимает аудио, HTTP-нода дёргает транскрипцию (локальный сервис или Cohere API), результат уходит второй нодой в LLM на постобработку, финальный текст пишется в базу или таблицу. Здесь важно ставить обработку ошибок между нодами: если ASR вернул пустую строку, не отправляй её дальше на перевод - иначе получишь уверенный, но бессмысленный ответ модели поверх пустоты.

Чего это событие не решает

Честный список ограничений, чтобы у тебя не осталось ложных ожиданий.

• Это модель только для арабского. Для русского, английского как основного языка или других языков она не предназначена. Универсальный Whisper здесь остаётся уместным выбором.
• WER 25.87 - это не расшифровка «слово в слово». Финальную вычитку критичных текстов человеком она не отменяет.
• «96% предпочтений» пока не воспроизведены независимо. Это заявление Cohere без открытой методологии. Проверяй на своих данных.
• Постобработку текста модель не делает. Пунктуация, перевод, суммаризация - отдельный шаг и отдельные модели.
• provod.ai не заменяет ни саму ASR-модель, ни платформы автоматизации, ни GigaChat, ни приватную on-prem инфраструктуру, ни функции, доступные только по подписке вендора, ни работу по внедрению. Он даёт доступ к иностранным LLM через совместимый API, когда тебе нужно сравнивать или маршрутизировать между семействами моделей. GigaChat provod.ai не предоставляет.
• Лицензия Apache 2.0 - про код и веса, а не индульгенция на данные. Согласие людей на обработку их голоса - твоя ответственность.

Короткий план действий

1. Скачай веса CohereLabs/cohere-transcribe-arabic-07-2026 с Hugging Face и прогони через pipeline из transformers.
2. Приведи тестовое аудио к 16 кГц моно, порежь на куски по 20-30 секунд.
3. Замерь WER на своём наборе - не верь чужим числам вслепую, включая 25.87 и 96%.
4. Реши, где хостить: локально ради приватности или в Cohere API ради скорости старта.
5. Добавь шаг постобработки текста через сильную LLM и обработку ошибок между шагами.

Событие простое по сути, но полезное как ориентир: под конкретный язык и конкретный сценарий узкая открытая модель сейчас реально может обойти универсального фаворита. Проверяется это не пресс-релизом, а WER на твоём аудио.

Как использовать модели для разработки для бизнеса через provod.ai

• Один API. provod.ai даёт один OpenAI-совместимый API-ключ для доступных моделей из каталога; в существующем OpenAI SDK меняются только base URL и ключ.
• Оплата в рублях. Баланс provod.ai пополняется в рублях, а стоимость списывается за фактические запросы к выбранной модели.
• Прозрачная цена. Цены токенов в provod.ai указаны без наценки; при пополнении баланса действует отдельный сервисный сбор 5%.
• Доступ из России. Доступ к provod.ai работает из России без VPN и без зарубежной банковской карты.
• Документы для бизнеса. Для компаний provod.ai поддерживает рублёвую оплату, договор, счёт и закрывающие документы; текущая продуктовая справка также указывает ЭДО.

Встройте модели для разработки в бизнес-процессы через единый API provod.ai

Источники

• Cohere, блог о запуске Transcribe Arabic, 7 июля 2026 (факты о дате, 2B, диалектах и код-свитчинге, WER 25.87 / 36.86 / 28.32, «96%», лицензии и доступности): https://cohere.com/blog/transcribe-arabic
• Hugging Face, карточка модели CohereLabs/cohere-transcribe-arabic-07-2026, 7 июля 2026 (Apache 2.0, поддержка в transformers): https://huggingface.co/CohereLabs/cohere-transcribe-arabic-07-2026
• Разборы релиза в the-decoder и TechCrunch - как сигнал интереса сообщества, а не подтверждение метрик.