/ Модель

Характеристики

Контекст
1 024 токена
Параметры
151 млн
Лицензия
Apache 2.0
Архитектура
cohere_asr · dense
Базовая модель
cohere-transcribe-arabic-07-2026
Библиотека
transformers
Опубликована
31 авг 2026

Cohere-Jordanian-Dialect

Распознавание речиАудио → текст3 профессии

Модель Cohere, дообученная для транскрибации аудио на разговорном иорданском арабском языке.

150скачиваний за 30 дней3лайкавеса обновлены31 авг 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Cohere Jordanian Dialect — модель распознавания речи, созданная Rlamas полным дообучением CohereLabs/cohere-transcribe-arabic-07-2026. Она предназначена для преобразования аудио на разговорном иорданском арабском в текст. Архитектура сочетает Conformer-энкодер, обрабатывающий мел-спектрограммы, и авторегрессионный Transformer-декодер; модель содержит 151 млн параметров и работает с контекстом до 1024 токенов. Репозиторий включает веса и файлы процессора и токенизатора. Лицензия — Apache-2.0.

На отложенном тесте автор сообщает CER 0,0783 и WER 0,1899 против 0,156 и 0,350 у базовой модели. Модель подходит для пакетной офлайн-транскрибации иорданской диалектной речи. Она может зацикливаться на длинных или шумных записях, ошибаться на однословных фрагментах и неверно передавать английскую речь или код-свитчинг. Для потоковой транскрибации, низкой задержки и временных меток по словам она не предназначена.

Сценарии применения

  • пакетная транскрибация записей на иорданском арабском
  • расшифровка длинных аудиозаписей на разговорном арабском
  • создание текстовых стенограмм иорданской речи

Ограничения

На длинных или шумных аудиозаписях возможны циклы повторения; короткие однословные фрагменты распознаются ненадёжно. Английская речь и переключение между арабским и английским могут транскрибироваться или передаваться неверно; модель не рассчитана на потоковую обработку и временные метки по словам.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cohere Jordanian Dialect

Cohere Jordanian Dialect is a full fine-tune of CohereLabs/cohere-transcribe-arabic-07-2026, specialized for Jordanian dialectal Arabic speech-to-text transcription. It is a 2B-parameter Conformer encoder / Transformer decoder ASR model, fine-tuned end-to-end to substantially improve accuracy on Jordanian dialect audio over the base checkpoint.

This repository is self-contained — it includes the fine-tuned weights plus all processor/tokenizer files needed to run it directly, with no dependency on the base repo at load time.

NameCohere-Jordanian-Dialect
Base modelCohereLabs/cohere-transcribe-arabic-07-2026
ArchitectureConformer encoder + Transformer decoder
Fine-tuning methodFull fine-tune
InputAudio waveform → log-Mel spectrogram, auto-resampled to 16kHz, stereo averaged to mono
OutputTranscribed text, no digits at all
LanguagesArabic (Jordanian dialect focus), English
LicenseApache 2.0

Quick Start

pip install "transformers==5.13.0" torch huggingface_hub soundfile librosa sentencepiece protobuf accelerate

Note: transformers must be pinned to 5.13.0 — later (5.15.0+) and earlier versions are not supported.

You'll also need a Hugging Face access token (read access) and to have accepted the terms on the base model page before downloading, since the fine-tune derives from that gated repo.

from huggingface_hub import login
login()  # paste your HF token (needs read access)

from transformers import AutoProcessor, CohereAsrForConditionalGeneration
from transformers.audio_utils import load_audio

MODEL_ID = "Rlamas/Cohere-Jordanian-Dialect"

processor = AutoProcessor.from_pretrained(MODEL_ID)
model = CohereAsrForConditionalGeneration.from_pretrained(MODEL_ID, device_map="auto")

# Transcribe Jordanian Arabic audio
audio_file = "your_audio.wav"
audio = load_audio(audio_file, sampling_rate=16000)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt", language="ar")
inputs.to(model.device, dtype=model.dtype)

outputs = model.generate(**inputs, max_new_tokens=256)
text = processor.decode(outputs, skip_special_tokens=True)
print(text)

Architecture

The model is composed of four main stages, plus an 8-bit optimizer used during fine-tuning:

  1. Audio feature extractor — converts raw audio into normalized mel-spectrogram features.
  2. Audio encoder — a Conformer stack that processes mel-spectrogram features through multiple attention layers to extract acoustic patterns, compressing the sequence length for faster, more efficient downstream processing.
  3. Prompt injector — specifies language, punctuation/capitalization, and inverse text normalization, controlling output style and task mode.
  4. Text decoder — a lightweight Transformer decoder that translates the extracted audio features directly into Arabic text tokens.
  5. 8-bit optimizer (training only) — quantizes optimizer states from 32-bit to 8-bit via bitsandbytes, reducing GPU memory needs during fine-tuning.

Training

Learning rate sweep

A sweep was run over [5e-6, 1e-5, 2e-5, 5e-5], three epochs each, ranked by best CER:

LRBase CERBest CERBest EpochBeat BaselineVal Loss
5e-50.1560.08792.0✅0.2163
2e-50.1560.12042.0✅0.3259
1e-50.1560.14472.0✅0.6875
5e-60.1560.15322.0✅0.8834

Winner: lr=5e-5, best CER 0.0879 / WER 0.2266 at epoch 2.

Final training run

The winning learning rate (5e-5) was used for a longer run — 5 epochs was insufficient for the model to stabilize, so training was extended to 8 epochs.

Hardware

  • GPU: NVIDIA L40S ($2.62/hr)
  • CPU: 2 cores
  • RAM: 16 GB

Hyperparameters

  • Learning rate: 5e-5
  • Batch size / gradient accumulation: batch size 8, 16 accumulation steps (effective batch size 128)
  • Optimizer: adamw_bnb_8bit
  • Precision: BFloat16
  • Epochs / warmup: 8 epochs, warmup rate 0.05
  • Weight decay: 0.01
  • Gradient checkpointing: enabled

Training time: 1 hour 28 minutes.

Results

Evaluated on held-out test data using CER/WER from the jiwer library.

MetricBaseline (base model)Full fine-tune (this model)
CER0.1560.0783
WER0.3500.1899

Full fine-tuning delivered a clear accuracy gain on Jordanian dialect audio over the baseline.

Inference Speed

Measured on 10 random records using 1 CPU core, 4GB RAM, and an NVIDIA T4 GPU:

  • Mean RTF: 0.2156
  • Median RTF: 0.1812

This model does not currently support streaming inference.

Production Deployment

As with the base model, Cohere's model card recommends serving via vLLM for production, which exposes an OpenAI-compatible /v1/audio/transcriptions HTTP endpoint — usable with any client built against the OpenAI Whisper transcription API.

The Test Data

The test data comes from a different category/sector than the training data. It contains different speakers and covers different topics, so the results could be better if the model were evaluated on data from the same domain.

Keep this in mind when looking at the limitations

Limitations & Failure Modes

Over-generation & repetition loops. On long clips, or clips with extended pauses/background noise, the decoder can enter token repetition loops — a known failure mode for autoregressive sequence-to-sequence ASR models.

Reference was an audio full of static

Hypothesis: هاد بدك تدق لا أنا بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدق على الخلطة بدك تدقق على الخلطة بدك تدقق

Single-word audio. Short, single-word clips are prone to misrecognition:

ReferenceHypothesis
الاعرجشو العارف
باسماه اسمع
مرحبابنمرح بعض
نعملا

Code-switching / full-English audio. The model can mistranslate or transliterate English audio instead of transcribing it directly:

ReferenceHypothesis
for english press two or enter the extension n…فور انجلش اضغط 2 أو أنتر الأكستنشن نمبر الآن
الcross roadالكروس رود

When to Use This Model

Good fit: offline, batch transcription of long-form Jordanian dialect Arabic audio, where high accuracy (7.8% CER / 18.9% WER) on custom domain data is required and low training overhead matters — this model fully fine-tunes in under 1.5 hours on a single L40S GPU using 8-bit optimization.

Poor fit: real-time conversational streaming, ultra-low-latency applications, or use cases needing word-level timestamps. Its non-streaming autoregressive decoder makes production serving slower and more expensive to scale than streaming CTC or FastConformer alternatives (e.g. Nemotron).

Future Work

To further reduce CER/WER, additional training data targeted specifically at the failure modes above (repetition loops on long/noisy audio, single-word utterances, and code-switched/English audio) is recommended.

Citation

This model is a fine-tune of Cohere Transcribe Arabic. Please cite the base model:

@misc{shaun_cassini_2026,
    author       = { Shaun Cassini and Sebastian Vincent and Xiaolu Lu and Julian Mack and Dhruti Joshi and Pierre Richemond },
    title        = { cohere-transcribe-arabic-07-2026 (Revision 0a8193c) },
    year         = 2026,
    url          = { https://huggingface.co/CohereLabs/cohere-transcribe-arabic-07-2026 },
    doi          = { 10.57967/hf/9549 },
    publisher    = { Hugging Face }
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CohereAsrForConditionalGeneration
Ревизия весов
67ff80b

0 моделей