The Decoder · 07.07.2026 ·Модели и релизы

Cohere выпустила открытую модель Transcribe Arabic для распознавания арабской речи

Cohere выпустила открытую модель Transcribe Arabic для распознавания арабской речи

Компания Cohere представила Transcribe Arabic — специализированную модель с открытым исходным кодом, предназначенную для высокоточного распознавания арабской речи. Решение ориентировано на работу с диалектами, смешанной арабо-английской речью и переключением кодов, демонстрируя превосходство над существующими аналогами, такими как Whisper и OmniASR, в сложных лингвистических условиях.

Модель насчитывает 2 миллиарда параметров и распространяется под лицензией Apache 2.0, что позволяет использовать её в коммерческих и исследовательских проектах. Основной упор при разработке был сделан на преодоление барьеров, связанных с вариативностью арабских диалектов, которые традиционно плохо поддаются автоматической транскрипции стандартными универсальными моделями.

Релиз доступен на платформе Hugging Face. Разработчики отмечают, что архитектура модели оптимизирована для обработки аудиоданных, где спикеры часто переходят с одного языка на другой или используют неформальные диалектные формы, что делает инструмент востребованным для локализации сервисов и анализа аудиоконтента в ближневосточном регионе.

Ключевые факты

Модель содержит 2 миллиарда параметров и специализируется на арабском языке.
В тестах на диалектах и смешанной речи Transcribe Arabic превосходит Whisper и OmniASR.
Модель опубликована на Hugging Face под лицензией Apache 2.0.
Решение эффективно справляется с проблемой code-switching (переключения между арабским и английским языками).

Источник: The Decoder

Обсудить с ИИ

Похожие материалы

Hacker News · Память и RAG ASR-модель распознаёт не только слова, но и эмоции и намерения Компания Whissle представила новую ASR-модель, способную не только транскрибировать речь, но и анализировать эмоции и намерения говорящего. Это позволяет использовать её для более глубокого понимания контекста в реальном времени. Модель обрабатывает аудио за 200 миллисекунд, что делает её одной из самых быстрых на рынке. Hacker News · Модели и релизы Вышла первая open-source диффузионная модель для распознавания речи Команда Interfaze представила первую модель автоматического распознавания речи (ASR), построенную на архитектуре диффузии с открытым исходным кодом. В отличие от традиционных трансформеров, использующих авторегрессионный подход, новая модель генерирует транскрипцию через итеративное уточнение данных. Это позволяет достичь высокой точности распознавания при работе с аудиосигналами, открывая новые возможности для развития систем обработки естественного языка. MarkTechPost · Модели и релизы Interfaze представила diffusion-gemma-asr-small: модель распознавания речи на базе диффузии Компания Interfaze выпустила open-source модель diffusion-gemma-asr-small, которая использует диффузионный подход вместо традиционной авторегрессии для транскрибации аудио. Решение базируется на замороженной архитектуре DiffusionGemma от Google и дополняется компактным адаптером. Инновация позволяет перевести процесс распознавания речи в параллельный формат, где стоимость вычислений зависит от количества шагов шумоподавления, а не от длительности аудиозаписи. Hacker News · Модели и релизы Релиз компактной модели для транскрибации китайского языка Разработчики представили специализированную модель для распознавания речи на китайском языке с параметрами 150 млн. Решение ориентировано на высокую скорость работы и оптимизировано для задач транскрибации в реальном времени. Ключевой особенностью системы является встроенная функция автоматического определения метаданных, что позволяет извлекать контекстную информацию непосредственно в процессе обработки аудиопотока. Hacker News · Инференс и железо Mozilla представила Transcribe.cpp для локальной транскрибации речи Mozilla выпустила Transcribe.cpp — легковесную библиотеку на C++, предназначенную для локального преобразования речи в текст. Инструмент базируется на модели Whisper от OpenAI и оптимизирован для работы на CPU, обеспечивая высокую производительность без необходимости использования облачных API или тяжелых GPU-зависимых фреймворков, что упрощает интеграцию речевых технологий в приватные и автономные приложения. arXiv · Исследования и наука Dziri Voicebot: система распознавания речи для алжирского диалекта Исследователи представили Dziri Voicebot — комплексную систему преобразования речи в речь (S2S), разработанную специально для алжирского диалекта. Проект решает проблему нехватки данных для низкоресурсных языков, преодолевая сложности отсутствия стандартизированной орфографии и частого переключения кодов между арабским и французским языками, что открывает новые возможности для развития разговорного ИИ в региональных лингвистических контекстах. MarkTechPost · Модели и релизы Gradium представила модели для перевода речи в реальном времени Компания Gradium выпустила две специализированные модели — stt-translate и s2s-translate, предназначенные для высокоскоростного перевода устной речи. Разработчики оптимизировали архитектуру, сократив традиционный каскад из трех этапов до двух, что позволило добиться более низких показателей задержки и повышенной точности по сравнению с GPT-4o Realtime при работе с 20 языковыми парами. arXiv · Машинное обучение LEAF-X: новый фреймворк для объяснения работы трансформеров в ASR Исследователи из MIT и других университетов представили LEAF-X — фреймворк для объяснения работы трансформерных моделей автоматического распознавания речи (ASR), таких как Whisper. Эти модели демонстрируют высокую точность, но их предсказания остаются «чёрными ящиками». Существующие методы объяснения ИИ (XAI) часто страдают от несоответствия между объяснениями и реальной работой модели, а также от отсутствия точной временной привязки. Hacker News · Инференс и железо Transcribe.cpp: высокопроизводительный движок для локального распознавания речи Проект Transcribe.cpp представляет собой легковесный движок для инференса моделей распознавания речи, построенный на базе библиотеки ggml. Инструмент позволяет запускать транскрибацию аудио в текст локально на потребительском оборудовании, обеспечивая высокую скорость обработки без необходимости обращения к облачным API. Решение ориентировано на разработчиков, которым требуется интеграция функций Speech-to-Text в автономные агентные системы и локальные приложения. Hugging Face - Blog · Оценка и бенчмарки Hugging Face представила бенчмарк FFASR для оценки систем распознавания речи в реальных условиях Hugging Face запустила FFASR (Free-Form Automatic Speech Recognition) — новый лидерборд для оценки качества систем распознавания речи в сложных акустических условиях. В отличие от классических тестов, ориентированных на идеальную запись, FFASR фокусируется на реальных сценариях с фоновым шумом, акцентами и спонтанной речью, что позволяет точнее измерять применимость моделей в реальных продуктах.

← Все материалы