/ 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
9 июл 2026

cohere-transcribe-arabic-07-2026-dialectal

Распознавание речиАудио → текст5 профессий

Дообученная модель Cohere для транскрибации арабской речи на нескольких диалектах в текст без диакритики.

336скачиваний за 30 дней2лайкавеса обновлены9 июл 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

Модель oddadmix/cohere-transcribe-arabic-07-2026-dialectal — полное дообучение модели CohereLabs/cohere-transcribe-arabic-07-2026, разработанное автором репозитория для распознавания арабской речи разных диалектов. Это ASR-модель на архитектуре Cohere ASR Conformer encoder-decoder с 2,07 млрд параметров, доступная в формате safetensors и рассчитанная на работу через Transformers. Она преобразует аудио в арабский текст без диакритических знаков; обучающие данные охватывают левантийский, магрибский, египетский, заливный, суданский и иракский диалекты, а также литературный арабский. Для пользовательского теста из 932 клипов автор сообщает WER 0,357 и CER 0,137 против WER 0,457 у базовой модели в режиме zero-shot. Эти результаты могут быть завышены из-за возможного пересечения исходных записей между обучающей и тестовой выборками.

Модель предназначена для транскрибации арабской речи, включая записи с шумом, музыкой, изменением скорости, реверберацией и артефактами кодека. Она работает с отдельными аудиофрагментами длительностью до 30 секунд, не поддерживает потоковое распознавание; автор также отмечает, что пакетная генерация с padding может заметно ухудшать результат. Качество зависит от диалекта: магрибская речь распознаётся сложнее, а покрытие реальных условий требует отдельной проверки. Репозиторий распространяется по лицензии Apache-2.0; README характеризует модель как частную/внутреннюю и рекомендует оценивать её на собственных данных перед производственным применением.

Сценарии применения

  • транскрибация записей на арабских диалектах
  • распознавание египетской и левантийской речи
  • расшифровка магрибской и заливной арабской речи
  • преобразование арабских аудиозаписей в текст без диакритики
  • транскрибация коротких аудиофрагментов с шумом или музыкой

Ограничения

Вывод не содержит диакритики, потоковое распознавание не поддерживается, а длительность входных фрагментов ограничена 30 секундами; качество на магрибских диалектах ниже. Возможное пересечение источников аудио между обучающей и тестовой выборками может делать опубликованные оценки оптимистичными; автор рекомендует проверять модель на собственных данных.

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-arabic-07-2026-dialectal

Full fine-tune of CohereLabs/cohere-transcribe-arabic-07-2026 (2.07B, cohere_asr Conformer encoder-decoder) for multi-dialect Arabic speech recognition (undiacritized output).

Private / internal model. Evaluate on your own data before production use.

Results (932-clip held-out test set)

WERCER
Base (cohere-transcribe-arabic, zero-shot)0.4570.174
This model (full fine-tune)0.3570.137

~22% relative WER cut over the (already strong) Arabic-specialized base. This is the model the base should be fine-tuned into: an earlier LoRA attempt on the same data made it worse (0.457 → 0.510, overfit). A full fine-tune with a low LR and best-checkpoint selection was the fix.

⚠️ This model overfits easily. Eval loss bottomed at step 1000 (0.342) and rose afterward, while WER stayed flat — the saved weights are that best checkpoint (load_best_model_at_end). Watch WER, not just loss, if you train further.

Model comparison — all Arabic ASR models

Same 932-clip held-out test set, same clean_text scoring (strip tashkil + tags, keep punctuation + dialect spelling) — so every row is directly comparable.

ModelParamsZero-shot WERFine-tuned WERCER (best)
whisper-large-v3-turbo 🏆809M0.5900.3440.115
cohere-transcribe-arabic2.0B0.4570.3570.137
whisper-medium769M0.7170.3580.123
nemotron-3.5-asr (streaming)638M0.5920.422—
whisper-small244M~0.770.4280.151
qwen3-asr-0.6b938M0.7560.6760.408
qwen3-asr-1.7b1.7B—training—
  • Best fine-tuned: whisper-large-v3-turbo (WER 0.344), with cohere-transcribe-arabic a close second (0.357).
  • Best zero-shot: cohere-transcribe-arabic (0.457, Arabic-specialized). A full fine-tune (all ~2B params, low LR) now improves it to 0.357; an earlier 32 GB LoRA attempt had instead degraded it (0.510, overfit) — full-parameter tuning with best-checkpoint selection was the fix.
  • Streaming / low-latency: nemotron-3.5-asr.
  • Parakeet-TDT-0.6b-v3 was tried but abandoned (European-only pretraining; cross-lingual transfer to Arabic converged far too slowly, WER ~0.93 after 3k steps).

Dataset

Fine-tuned on oddadmix/dialectal-arabic-lahgtna-v2-smaller-augmented (private).

  • ~40,000 train / 1,000 test clips, 16 kHz mono, single-channel.
  • Multi-dialect Arabic: Levantine (Lebanese/Syrian), Maghrebi (Moroccan/Algerian/Tunisian), Egyptian, Gulf/Saudi, Sudanese, Iraqi, and MSA.
  • Augmented: each clean clip is expanded with variants (noise, music, speed, voice, reverb/codec) via an augmentation column. Derived from oddadmix/dialectal-arabic-lahgtna-v2-smaller.

Preprocessing (applied to targets)

  • Stripped tashkil/harakat (diacritics) and tatweel; removed non-verbal tags ([laughter], [exhale], [inhale], [mumble], [cough], timestamps, …).
  • Kept dialectal consonants (گ ڨ چ پ ژ) — they encode real phonemes — and sentence punctuation. Output is undiacritized.
  • Filtered: dropped clips > 30 s and a few corrupt rows (huge-text blobs). ~62% of rows had harakat, ~28% had non-verbal tags before cleaning. → 36,769 train / 932 test after filtering.

⚠️ Leakage note: the set is augmentation-expanded from shared source clips, so train/test may share source audio → held-out numbers can be optimistic. Use a leakage-free split for true numbers.

Training

  • Base: CohereLabs/cohere-transcribe-arabic-07-2026 · full fine-tune (no LoRA)
  • Effective batch 32 (per_device 2 × grad_accum 16) · LR 5e-6 (kept low — strong specialist) · 2 epochs (2300 steps) · best @ step 1000 (eval_loss 0.342)
  • Precision: fp32 params + bf16 autocast + gradient checkpointing
  • Hardware: a single 48 GB RTX A6000 (~43 GB peak, ~8.3 s/step)
  • Metric: WER/CER on cleaned references (clean-text normalized), computed by per-sample generation (batched generation garbles this model's output)

Fine-tuning (reproduce)

The exact fine-tuning code is bundled in this repo (train_cohere_full.py, normalize.py, eval_hf_asr.py, ds_zero2.json, setup.sh) plus requirements.txt. See FINETUNE.md for the full walkthrough + lessons learned. Trained on oddadmix/dialectal-arabic-lahgtna-v2-smaller-augmented (private) — swap in any HF audio dataset with audio + text columns. normalize.py is the shared text cleaning (strip tashkil + non-verbal tags, keep dialectal letters گ ڨ چ).

bash setup.sh                 # deps (transformers from source) + HF login

python train_cohere_full.py --output_dir cohere-ar-full \
  --per_device_train_batch_size 2 --gradient_accumulation_steps 16 \
  --per_device_eval_batch_size 2 --learning_rate 5e-6

python eval_hf_asr.py --model_type cohere --model cohere-ar-full   # WER / CER

For less memory / multi-GPU, accelerate launch train_cohere_full.py --deepspeed ds_zero2.json ....

Usage

# needs transformers from source (ships the cohere_asr architecture)
import torch, torchaudio
from transformers import AutoProcessor, CohereAsrForConditionalGeneration

repo = "oddadmix/cohere-transcribe-arabic-07-2026-dialectal"
proc = AutoProcessor.from_pretrained(repo)
model = CohereAsrForConditionalGeneration.from_pretrained(
    repo, torch_dtype=torch.bfloat16).to("cuda").eval()

wav, sr = torchaudio.load("clip.wav")          # 16 kHz mono
inp = proc(wav.mean(0).numpy(), sampling_rate=16000,
           language="ar", return_tensors="pt").to(model.device)
inp["input_features"] = inp["input_features"].to(model.dtype)   # keep ids long
ids = model.generate(**inp, max_new_tokens=256)
print(proc.tokenizer.batch_decode(ids, skip_special_tokens=True)[0])

Decode one bare array at a time. Passing a list + padding=True triggers a batched/padded path that badly degrades this model's generation (WER 0.45 → 0.65+).

Learnings & notes

  • A strong specialist can be hurt by fine-tuning. Cohere's Arabic model has the best zero-shot WER of everything tried (0.457). LoRA on this data overfit and made it worse (0.510); only a full fine-tune with a low LR (5e-6) and best-checkpoint selection turned it into a net win (0.357).
  • Watch WER, not loss. eval_loss bottomed at step 1000 and rose while WER held — more steps would have overfit. load_best_model_at_end keeps the right weights.
  • Data cleaning matters most: keeping dialectal letters + stripping tashkil/tags (rather than aggressive letter-folding) was the biggest lever for a multi-dialect model.
  • The processor concatenates the language prompt ⊕ transcript for the model's causal-LM loss — handled in the collator, no action needed.

Limitations

  • Trained on augmented, partly synthetic multi-dialect data; real-world dialect coverage varies (Maghrebi is the hardest).
  • Output is undiacritized and lower-cased for Latin tokens.
  • Offline model (≤30 s chunks); not streaming.
  • Overfits easily on smaller/noisier data — use a low LR and keep the best checkpoint.

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
d8fa166

0 моделей