/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
cohere_asr · dense
Базовая модель
cohere-transcribe-03-2026
Опубликована
21 июн 2026

cohere-transcribe-03-2026-NVFP4

Распознавание речиАудио → текст9 профессий

Квантованная модель Cohere Transcribe преобразует речь в текст на 14 языках.

33скачиваний за 30 дней0лайковвеса обновлены21 июн 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

Это квантованная версия Cohere Transcribe, разработанная на основе модели CohereLabs/cohere-transcribe-03-2026. Она предназначена для автоматического распознавания речи и транскрибации аудио на 14 языках. Архитектура включает Conformer-энкодер на 48 слоёв и Transformer-декодер на 8 слоёв; модель содержит около 2 млрд параметров и использует токенизатор SentencePiece с размером словаря 16 384. Квантование NVFP4 W4A16 представляет веса в формате NVIDIA FP4, а активации — в BF16.

Модель принимает аудио и выдаёт текстовую транскрипцию. Поддерживаемые языки: арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский (мандаринский). Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает запуск с vLLM и Transformers; фактическая точность и качество на конкретных аудиоданных в предоставленных сведениях не приводятся.

Сценарии применения

  • транскрибация аудиозаписей на английском и других поддерживаемых языках
  • распознавание речи в аудио на китайском, японском и корейском
  • перевод устной речи в текст для арабского языка
  • создание текстовых расшифровок многоязычных записей
  • распознавание речи в сервисе транскрибации на базе vLLM

Ограничения

Модель ограничена распознаванием речи на перечисленных 14 языках; качество распознавания в предоставленных сведениях не оценено.

Для каких профессий подходит9

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 NVFP4 W4A16

This is an NVFP4 W4A16 (weights FP4, activations BF16) quantized version of CohereLabs/cohere-transcribe-03-2026, a 2B parameter Conformer-based encoder-decoder ASR model supporting 14 languages.

Quantization Details

MetricValue
Base ModelCohereLabs/cohere-transcribe-03-2026
QuantizationNVFP4 W4A16 (weight-only)
Weight FormatNVIDIA FP4 (E2M1, block_size=16)
Activation FormatBF16 (unchanged)
CalibrationNone (dynamic scales from weights)
ToolNVIDIA ModelOpt v0.44.0
Original Size3.9 GB (BF16)
Quantized Size1.5 GB (NVFP4)
Compression~2.6x

Usage

With vLLM

vllm serve jeffpeng3/cohere-transcribe-03-2026-NVFP4 \
  --quantization modelopt \
  --dtype bfloat16

With Transformers

import torch
from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

model_id = "jeffpeng3/cohere-transcribe-03-2026-NVFP4"

processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

# Transcribe an audio file
from transformers.audio_utils import load_audio

audio = load_audio("path/to/audio.wav", sampling_rate=16000)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt", language="en").to(model.device)
inputs = inputs.to(dtype=model.dtype)

outputs = model.generate(**inputs, max_new_tokens=256)
text = processor.decode(outputs[0], skip_special_tokens=True)
print(text)

Supported Languages

  • European: English, French, German, Italian, Spanish, Portuguese, Greek, Dutch, Polish
  • APAC: Chinese (Mandarin), Japanese, Korean, Vietnamese
  • MENA: Arabic

Model Architecture

  • Encoder: Conformer (48 layers, d_model=1280)
  • Decoder: Transformer (8 layers, hidden_size=1024)
  • Parameters: 2B
  • Tokenizer: SentencePiece (vocab_size=16384)

Output Structure

cohere-transcribe-03-2026-NVFP4/
├── config.json                  # Model config + quantization metadata
├── hf_quant_config.json         # ModelOpt quantization config
├── model.safetensors            # NVFP4 quantized weights (1.5 GB)
├── modeling_cohere_asr.py       # Custom model code
├── processing_cohere_asr.py     # Custom processor code
├── tokenizer.json / .model      # SentencePiece tokenizer
└── preprocessor_config.json     # Feature extractor config

vLLM Serving

For online inference with vLLM:

vllm serve jeffpeng3/cohere-transcribe-03-2026-NVFP4 \
  --quantization modelopt \
  --dtype bfloat16 \
  --max-model-len 1024

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
CohereAsrForConditionalGeneration
Ревизия весов
494a544

0 моделей