¿Qué es Cohere Transcribe (03-2026)?
Cohere Transcribe (cohere-transcribe-03-2026) es un modelo de reconocimiento de voz de 2.000 millones de parámetros que Cohere publicó el 26 de marzo de 2026, su primer modelo de audio. Combina un gran codificador Conformer con un decodificador Transformer ligero, se entrenó desde cero y recibe audio y devuelve texto, sin nada más entre medias.
Cubre 14 idiomas: inglés, francés, alemán, italiano, español, portugués, griego, neerlandés, polaco, chino, japonés, coreano, vietnamita y árabe, y Cohere ha publicado después un checkpoint aparte para árabe. Los pesos están en Hugging Face bajo Apache 2.0 tras un formulario de acceso, y funcionan con Transformers 5.4.0 o posterior y con vLLM 0.19.0, que sirve un endpoint de transcripción al estilo de OpenAI. La API de Cohere lo ofrece gratis para pruebas, y Model Vault lo aloja en instancias dedicadas.
¿Merece la pena Cohere Transcribe (03-2026)?
Cohere Transcribe se gana su sitio por su precisión en inglés con un tamaño que puedes ejecutar tú mismo. En la Open ASR Leaderboard de Hugging Face, en su lanzamiento, promedió una tasa de error de palabras del 5,42% en ocho conjuntos de prueba en inglés, primero de la tabla, por delante de Zoom Scribe v1 con un 5,47%, Granite 4.0 1B de IBM con un 5,52%, Qwen3-ASR-1.7B con un 5,76% y ElevenLabs Scribe v2 con un 5,83%; Whisper large-v3 marcó un 7,44%. Lo hizo con un RTFx de unos 525, es decir, 525 minutos de audio por minuto, según la medición de Cohere.
Las pruebas independientes son menos favorables. Artificial Analysis sitúa la versión alojada de Cohere en un 4,6% de AA-WER, empatada en el puesto 43 de 62 y a la par de Whisper large-v3-turbo en Groq, mientras que Voxtral Mini Transcribe 3 de Mistral está en un 2,2%. Los conjuntos de la leaderboard premian el habla leída y de emisión limpia; Artificial Analysis mezcla audio más difícil, y la diferencia sugiere que el modelo es fuerte en lo primero más que un líder general. En las pruebas de preferencia humana de la propia Cohere ganó de media el 61% de las comparaciones, pero perdió en portugués, alemán y español.
El modelo hace una sola cosa. La documentación dice claramente que no tiene marcas de tiempo, ni etiquetas de hablante, ni detección automática de idioma, así que debes indicar el idioma de cada archivo, y maneja de forma irregular el audio que alterna idiomas. Además tiende a transcribir sonidos que no son voz, por lo que Cohere recomienda poner delante un detector de actividad de voz o una puerta de ruido para que no invente palabras en los silencios.
La pega: la parte alojada no está terminada como producto. La API es gratuita, pero las claves de prueba permiten 5 solicitudes de transcripción por minuto, los límites de producción requieren hablar con ventas, los archivos tienen un tope de 25MB y la documentación no dice cuánto tiempo se guarda el audio. Model Vault, la opción dedicada, se cobra por hora de instancia sin una cifra pública. Para producción, en la práctica lo alojarás tú, algo que la licencia Apache 2.0 facilita.
Nuestra opinión: Cohere Transcribe es un motor por defecto sensato para trabajo por lotes con mucho inglés en tus propias GPU, siempre que añadas un detector de voz, elijas tú el idioma y añadas alineación y diarización de otra fuente.
Dónde se gana su sitio
Un ingeniero de ML en una plataforma de relaciones con inversores con miles de conferencias de resultados por trimestre
Convertir conferencias de resultados en inglés en texto con búsqueda sin pagar tarifas por minuto a una API
Sirve el modelo con vLLM en GPU propias y envía los archivos a su endpoint de transcripción al estilo de OpenAI; el propio ejemplo de Cohere transcribe una conferencia de resultados de 55 minutos. Su tasa de error en Earnings-22 es del 10,84%, así que los tickers y las cifras siguen necesitando una revisión con un vocabulario propio.
Un equipo de producto en una app japonesa de notas
Añadir dictado en el dispositivo o en nube privada en japonés e inglés
Usa los ports GGUF o mlx-audio y fija el idioma por sesión, ya que no hay detección automática. El japonés es uno de sus 14 idiomas, pero la ficha advierte de resultados irregulares con audio que alterna idiomas, así que las frases que mezclan inglés con japonés son donde flojea.
Una responsable de cumplimiento en un banco europeo
Transcribir llamadas grabadas sin enviar el audio a una API de voz estadounidense
Alójalo tú bajo Apache 2.0 para que el audio nunca salga de la infraestructura del banco, y combínalo con un modelo de diarización aparte como pyannote, porque Cohere Transcribe no dice quién habló.
Antes de decidirte
- Puesta en marcha
- Acepta el formulario de acceso en Hugging Face, instala transformers 5.4.0 o posterior y carga CohereAsrForConditionalGeneration con un código de idioma; para servirlo, vllm serve con vllm 0.19.0 y el extra de audio.
- Integraciones
- Transformers, vLLM (/v1/audio/transcriptions compatible con OpenAI), mlx-audio, transformers.js con WebGPU, builds GGUF de la comunidad; API de Cohere, Model Vault y fal para uso alojado.
- Datos y privacidad
- Alojado por ti, el audio se queda en tu hardware bajo Apache 2.0. La documentación de Transcribe de Cohere no indica la retención del audio enviado a la API; Model Vault se describe como inferencia en nube privada.
- Coste a escala
- Los pesos son gratuitos y Cohere dice que funciona en GPU de consumo. La API gratuita está limitada a 5 solicitudes por minuto en claves de prueba; los límites de la API de producción y los precios por hora de instancia de Model Vault no se publican.
- Límites
- 14 idiomas, uno por solicitud; sin marcas de tiempo, diarización ni detección de idioma; 25MB por archivo en la API; el audio largo se trocea y se recompone automáticamente; alucina en los silencios sin un detector de actividad de voz.
Lo bueno
- 5,42% de WER medio, primero en la Open ASR Leaderboard en su lanzamiento
- Apache 2.0, unos 2B de parámetros, funciona en una sola GPU de consumo
- Unas 525 veces el tiempo real en las pruebas de Cohere; vLLM sirve un endpoint al estilo de OpenAI
- 14 idiomas, entre ellos árabe, japonés y vietnamita
Lo malo
- Sin marcas de tiempo, diarización ni detección de idioma
- 4,6% de AA-WER en Artificial Analysis, puesto 43 de 62
- Transcribe ruido que no es voz si no se filtra con un detector de voz
- API de prueba limitada a 5 solicitudes por minuto; precio de producción bajo presupuesto
- Perdió las pruebas de preferencia humana en portugués, alemán y español
Ideal para
Equipos que transcriben grandes volúmenes de audio en un solo idioma, sobre todo inglés, en sus propias GPU y quieren una licencia limpia.
Alternativas a Cohere Transcribe (03-2026)
Cohere Transcribe (03-2026): preguntas frecuentes
- ¿Merece la pena Cohere Transcribe (03-2026)?
- Cohere Transcribe es un transcriptor de inglés preciso y con licencia permisiva que te deja a ti las marcas de tiempo, las etiquetas de hablante y la detección de idioma. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta Cohere Transcribe (03-2026)?
- Gratis bajo Apache 2.0 (descarga con acceso controlado). La API de Cohere es gratuita para pruebas, con 5 solicitudes por minuto en claves de prueba; los límites de producción y los precios por hora de Model Vault se dan bajo presupuesto.
- ¿Qué inconvenientes tiene Cohere Transcribe (03-2026)?
- Sin marcas de tiempo, diarización ni detección de idioma; 4,6% de AA-WER en Artificial Analysis, puesto 43 de 62; transcribe ruido que no es voz si no se filtra con un detector de voz; aPI de prueba limitada a 5 solicitudes por minuto; precio de producción bajo presupuesto; perdió las pruebas de preferencia humana en portugués, alemán y español.
- ¿Para quién es Cohere Transcribe (03-2026)?
- Equipos que transcriben grandes volúmenes de audio en un solo idioma, sobre todo inglés, en sus propias GPU y quieren una licencia limpia.
- ¿Cuánto cuesta Cohere Transcribe (03-2026) para un equipo o en producción?
- Los pesos son gratuitos y Cohere dice que funciona en GPU de consumo. La API gratuita está limitada a 5 solicitudes por minuto en claves de prueba; los límites de la API de producción y los precios por hora de instancia de Model Vault no se publican.
- ¿Es Cohere Transcribe (03-2026) seguro para los datos de la empresa?
- Alojado por ti, el audio se queda en tu hardware bajo Apache 2.0. La documentación de Transcribe de Cohere no indica la retención del audio enviado a la API; Model Vault se describe como inferencia en nube privada.
- ¿Cuáles son las mejores alternativas a Cohere Transcribe (03-2026)?
- Las alternativas más cercanas que hemos analizado son Qwen3-ASR (1.7B and 0.6B), Granite Speech 5.0 2B, Parakeet TDT 0.6B v3, Whisper large-v3-turbo y Voxtral 3 (Transcribe and TTS).
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas Cohere Transcribe (03-2026)? Muestra esta nota en tu web
