Was ist Cohere Transcribe (03-2026)?
Cohere Transcribe (cohere-transcribe-03-2026) ist ein Spracherkennungsmodell mit 2 Milliarden Parametern, das Cohere am 26. März 2026 als sein erstes Audiomodell veröffentlicht hat. Es kombiniert einen großen Conformer-Encoder mit einem schlanken Transformer-Decoder, wurde von Grund auf trainiert, nimmt Audio entgegen und gibt Text zurück, sonst nichts.
Es deckt 14 Sprachen ab: Englisch, Französisch, Deutsch, Italienisch, Spanisch, Portugiesisch, Griechisch, Niederländisch, Polnisch, Chinesisch, Japanisch, Koreanisch, Vietnamesisch und Arabisch, und Cohere hat inzwischen einen eigenen Checkpoint für Arabisch nachgereicht. Die Gewichte liegen unter Apache 2.0 hinter einem Zugangsformular auf Hugging Face und laufen mit Transformers ab 5.4.0 und mit vLLM 0.19.0, das einen Transkriptions-Endpunkt im OpenAI-Stil bereitstellt. Coheres eigene API bietet es zum Testen kostenlos an, Model Vault hostet es auf dedizierten Instanzen.
Lohnt sich Cohere Transcribe (03-2026)?
Cohere Transcribe verdient seinen Platz durch Genauigkeit auf Englisch bei einer Größe, die du selbst betreiben kannst. Im Open ASR Leaderboard von Hugging Face kam es zum Start über acht englische Testsets auf eine durchschnittliche Wortfehlerrate von 5,42%, Platz eins, vor Zoom Scribe v1 mit 5,47%, IBMs Granite 4.0 1B mit 5,52%, Qwen3-ASR-1.7B mit 5,76% und ElevenLabs Scribe v2 mit 5,83%; Whisper large-v3 erreichte 7,44%. Dabei lag der RTFx laut Coheres Messung bei etwa 525, also 525 Minuten Audio pro Minute.
Unabhängige Tests fallen weniger schmeichelhaft aus. Artificial Analysis sieht die gehostete Version von Cohere bei 4,6% AA-WER, gemeinsam auf Platz 43 von 62 und gleichauf mit Whisper large-v3-turbo bei Groq, während Mistrals Voxtral Mini Transcribe 3 bei 2,2% liegt. Die Leaderboard-Sets belohnen sauber gelesene und gesendete Sprache; Artificial Analysis mischt schwierigeres Audio bei, und der Abstand spricht dafür, dass das Modell bei Ersterem stark ist und nicht allgemein führt. In Coheres eigenen Präferenztests mit Menschen gewann es im Schnitt 61% der Vergleiche, verlor aber auf Portugiesisch, Deutsch und Spanisch.
Das Modell kann genau eine Sache. Die Dokumentation sagt klar, dass es keine Zeitstempel, keine Sprecherkennzeichnung und keine automatische Spracherkennung gibt; du musst also für jede Datei die Sprache angeben, und Audio mit Sprachwechseln verarbeitet es uneinheitlich. Außerdem transkribiert es bereitwillig auch Geräusche, die keine Sprache sind, weshalb Cohere einen Sprachaktivitätsdetektor oder ein Noise Gate davor empfiehlt, damit es in Stille keine Wörter erfindet.
Der Haken: Die gehostete Seite ist als Produkt unfertig. Die API ist kostenlos, aber Trial-Keys erlauben 5 Transkriptionsanfragen pro Minute, Produktionslimits erfordern ein Gespräch mit dem Vertrieb, Dateien sind auf 25MB begrenzt, und die Dokumentation sagt nichts darüber, wie lange Audio gespeichert wird. Model Vault, die dedizierte Option, wird pro Instanzstunde abgerechnet, ohne öffentlichen Preis. Für die Produktion hostest du realistisch selbst, was die Apache-2.0-Lizenz leicht macht.
Unser Fazit: Cohere Transcribe ist eine solide Standard-Engine für englischlastige Stapelverarbeitung auf eigenen GPUs, solange du einen Sprachdetektor davorschaltest, die Sprache selbst wählst und Alignment und Diarisierung von anderswo ergänzt.
Wo es sich lohnt
Ein ML Engineer bei einer Investor-Relations-Plattform mit Tausenden Earnings Calls pro Quartal
Englische Earnings Calls in durchsuchbaren Text verwandeln, ohne Minutenpreise an eine API zu zahlen
Das Modell mit vLLM auf eigenen GPUs betreiben und Dateien an den Transkriptions-Endpunkt im OpenAI-Stil schicken; Coheres eigenes Beispiel transkribiert einen 55-minütigen Earnings Call. Die Fehlerrate auf Earnings-22 liegt bei 10,84%, Tickersymbole und Zahlen brauchen also weiterhin eine Prüfung mit eigenem Vokabular.
Ein Produktteam bei einer japanischen Notiz-App
Diktat auf dem Gerät oder in einer privaten Cloud auf Japanisch und Englisch anbieten
Die GGUF- oder mlx-audio-Portierungen nutzen und die Sprache pro Sitzung festlegen, da es keine automatische Erkennung gibt. Japanisch ist eine der 14 Sprachen, aber die Model Card warnt vor uneinheitlichen Ergebnissen bei Sprachwechseln, Sätze mit englischen Einschüben im Japanischen sind also die Schwachstelle.
Eine Compliance-Leiterin bei einer europäischen Bank
Aufgezeichnete Telefonate transkribieren, ohne Audio an eine US-Sprach-API zu senden
Unter Apache 2.0 selbst hosten, damit das Audio die Infrastruktur der Bank nie verlässt, und mit einem separaten Diarisierungsmodell wie pyannote kombinieren, weil Cohere Transcribe nicht sagt, wer gesprochen hat.
Bevor du dich festlegst
- Einrichtung
- Das Zugangsformular auf Hugging Face akzeptieren, transformers ab 5.4.0 installieren und CohereAsrForConditionalGeneration mit einem Sprachcode laden; zum Bereitstellen vllm serve mit vllm 0.19.0 und dem Audio-Extra.
- Integrationen
- Transformers, vLLM (OpenAI-kompatibles /v1/audio/transcriptions), mlx-audio, transformers.js mit WebGPU, GGUF-Builds der Community; Cohere API, Model Vault und fal für gehostete Nutzung.
- Daten und Datenschutz
- Selbst gehostet bleibt das Audio unter Apache 2.0 auf deiner Hardware. Coheres Transcribe-Dokumentation nennt keine Aufbewahrungsdauer für API-Audio; Model Vault wird als Inferenz in einer privaten Cloud beschrieben.
- Kosten im großen Maßstab
- Die Gewichte sind kostenlos, und laut Cohere läuft es auf Consumer-GPUs. Die kostenlose API ist für Trial-Keys auf 5 Anfragen pro Minute begrenzt; Produktionslimits der API und Instanzstundenpreise für Model Vault sind nicht veröffentlicht.
- Grenzen
- 14 Sprachen, eine pro Anfrage; keine Zeitstempel, Diarisierung oder Spracherkennung; 25MB pro Datei über die API; lange Aufnahmen werden automatisch zerlegt und wieder zusammengesetzt; halluziniert in Stille ohne Sprachaktivitätsdetektor.
Was gut ist
- 5,42% durchschnittliche WER, zum Start Platz eins im Open ASR Leaderboard
- Apache 2.0, etwa 2B Parameter, läuft auf einer einzelnen Consumer-GPU
- Etwa 525-fache Echtzeit in Coheres Tests; vLLM stellt einen Endpunkt im OpenAI-Stil bereit
- 14 Sprachen, darunter Arabisch, Japanisch und Vietnamesisch
Was nicht
- Keine Zeitstempel, keine Diarisierung, keine Spracherkennung
- 4,6% AA-WER bei Artificial Analysis, Platz 43 von 62
- Transkribiert Nicht-Sprachgeräusche, wenn kein Sprachdetektor vorgeschaltet ist
- Trial-API auf 5 Anfragen pro Minute begrenzt; Produktionspreise auf Anfrage
- Verlor die Präferenztests auf Portugiesisch, Deutsch und Spanisch
Am besten für
Teams, die große Mengen einsprachiges, überwiegend englisches Audio auf eigenen GPUs transkribieren und eine saubere Lizenz wollen.
Alternativen zu Cohere Transcribe (03-2026)
Cohere Transcribe (03-2026): häufige Fragen
- Lohnt sich Cohere Transcribe (03-2026)?
- Cohere Transcribe ist ein genaues, freizügig lizenziertes Transkriptionsmodell für Englisch, das Zeitstempel, Sprecherkennung und Spracherkennung dir überlässt. Wir bewerten es mit 4.0 von 5.
- Was kostet Cohere Transcribe (03-2026)?
- Kostenlos unter Apache 2.0 (Download mit Zugangsbeschränkung). Die API von Cohere ist zum Testen kostenlos, mit 5 Anfragen pro Minute für Trial-Keys; Produktionslimits und Stundenpreise für Model Vault gibt es nur auf Anfrage.
- Welche Nachteile hat Cohere Transcribe (03-2026)?
- Keine Zeitstempel, keine Diarisierung, keine Spracherkennung; 4,6% AA-WER bei Artificial Analysis, Platz 43 von 62; Transkribiert Nicht-Sprachgeräusche, wenn kein Sprachdetektor vorgeschaltet ist; Trial-API auf 5 Anfragen pro Minute begrenzt; Produktionspreise auf Anfrage; Verlor die Präferenztests auf Portugiesisch, Deutsch und Spanisch.
- Für wen eignet sich Cohere Transcribe (03-2026)?
- Teams, die große Mengen einsprachiges, überwiegend englisches Audio auf eigenen GPUs transkribieren und eine saubere Lizenz wollen.
- Was kostet Cohere Transcribe (03-2026) für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos, und laut Cohere läuft es auf Consumer-GPUs. Die kostenlose API ist für Trial-Keys auf 5 Anfragen pro Minute begrenzt; Produktionslimits der API und Instanzstundenpreise für Model Vault sind nicht veröffentlicht.
- Ist Cohere Transcribe (03-2026) sicher für Firmendaten?
- Selbst gehostet bleibt das Audio unter Apache 2.0 auf deiner Hardware. Coheres Transcribe-Dokumentation nennt keine Aufbewahrungsdauer für API-Audio; Model Vault wird als Inferenz in einer privaten Cloud beschrieben.
- Was sind die besten Alternativen zu Cohere Transcribe (03-2026)?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3-ASR (1.7B and 0.6B), Granite Speech 5.0 2B, Parakeet TDT 0.6B v3, Whisper large-v3-turbo und Voxtral 3 (Transcribe and TTS).
Antworten geprüft am 7. Nov. 2026.
Du entwickelst Cohere Transcribe (03-2026)? Zeig diese Bewertung auf deiner Website
