/ Модель

Характеристики

Размер весов
3,2 ГБ
Лицензия
GPL 3.0
Базовая модель
cohere-transcribe-03-2026
Библиотека
coreml
Опубликована
28 мар 2026

cohere-transcribe-03-2026-CoreML-6bit

Распознавание речиАудио → текст5 профессий

Cohere Transcribe 03-2026 CoreML 6bit — конверсия модели CohereLabs/cohere-transcribe-03-2026, разработанная для автоматического распознавания речи на устройствах Apple.

4 655скачиваний за 30 дней7лайковвеса обновлены2 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для локальной транскрипции аудио в приложениях для macOS и iOS без обязательной передачи данных во внешние сервисы. Поддерживаются английский, арабский, немецкий, греческий, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский языки.

Модель поставляется в формате CoreML .mlpackage и использует конвейер из извлечения аудиопризнаков, encoder и авторегрессионного decoder с KV-кэшированием. Веса имеют формат Float16 с 6-битной палетизацией; общий размер составляет около 1,4 ГБ, что примерно в 2,7 раза меньше FP16-версии. Вычисления могут выполняться на Apple GPU, CPU или Neural Engine; рекомендуется Apple GPU. Минимальные версии платформ — macOS 13 и iOS 16. Для обработки используются аудиофрагменты по 30 секунд с перекрытием 5 секунд.

На тесте LibriSpeech test-clean модель показала WER 2,58% на 2619 из 2620 образцов. На Apple M4 Pro заявлен коэффициент работы в реальном времени 35,9×: обработка 30 секунд аудио занимает около 836 мс. Ключевые преимущества — компактность по сравнению с FP16, высокая скорость локального распознавания и практически сохранённая точность. Ограничения включают значительный размер около 1,4 ГБ, зависимость от экосистемы Apple и отсутствие данных о качестве на других наборах данных, акцентах, шумной речи и длинных аудиозаписях. Конвертированная модель распространяется по лицензии GPL-3.0; исходная модель CohereLabs имеет лицензию Apache-2.0.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cohere Transcribe 03-2026 - CoreML (6-bit Palettized)

This is a CoreML conversion of CohereLabs/cohere-transcribe-03-2026 with 6-bit palettization for on-device speech recognition on Apple Silicon (macOS / iOS).

Model Details

PropertyValue
Base modelCohereLabs/cohere-transcribe-03-2026
FormatCoreML .mlpackage
PrecisionFloat16 + 6-bit palettized weights
Compression2.7× smaller than FP16
Total size~1.4 GB
ComputeApple GPU (recommended), CPU, or Neural Engine
Min deploymentmacOS 13 / iOS 16

Benchmark Results

Accuracy — LibriSpeech test-clean

VariantSamplesWER vs Ground TruthSize
Palettize6 (this model)2619/2620 (full)2.58%1.4 GB
FP16 (baseline)2002.63%3.8 GB
Palettize82002.65%1.85 GB

Speed — Apple M4 Pro, GPU compute

MetricValue
Real-time factor35.9× real-time
30s audio inference~836 ms

Files

FileSizeDescription
cohere_frontend.mlpackage1.5 MBAudio feature extraction (pre-emphasis + mel spectrogram)
cohere_encoder.mlpackage1.3 GBEncoder (audio → hidden states)
cohere_decoder_fullseq_masked.mlpackage109 MBFull-sequence decoder (first token)
cohere_decoder_cached.mlpackage109 MBKV-cached decoder (autoregressive generation)
coreml_manifest.json292 KBPipeline config (tokenizer, chunking, dimensions)

Usage

Swift CLI

pure_coreml_asr_cli \
  --audio input.wav \
  --artifacts-dir <path-to-this-repo> \
  --compute gpu \
  --decoder-mode cached

Swift App Integration

  1. Add all .mlpackage files to your Xcode project
  2. Load coreml_manifest.json at runtime for tokenizer IDs and pipeline config
  3. Use MLModel with .computeUnits = .cpuAndGPU for best performance
  4. Process audio in 30-second chunks with 5-second overlap (params in manifest)

Pipeline Architecture

Audio → Frontend (mel spectrogram) → Encoder → Decoder (autoregressive) → Text

The decoder runs in two phases:

  1. Full-sequence masked decoder generates the first token from encoder output
  2. KV-cached decoder generates subsequent tokens autoregressively

Compression Details

6-bit palettization clusters each weight tensor into 2⁶ = 64 centroids via k-means, storing only 6-bit indices + a small lookup table. This achieves 2.7× compression over FP16 with virtually no accuracy or speed loss on Apple GPU.

Applied to: encoder, full-sequence decoder, and cached decoder. The frontend remains FP32 (tiny model, no benefit from compression).

License

This converted model is released under GPL-3.0.

The upstream base model, CohereLabs/cohere-transcribe-03-2026, is Apache-2.0 licensed. This repo contains the CoreML conversion and quantized derivative artifacts.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
79320e9

0 моделей