O que é Cohere Transcribe (03-2026)?
Cohere Transcribe (cohere-transcribe-03-2026) é um modelo de reconhecimento de fala de 2 bilhões de parâmetros lançado pela Cohere em 26 de março de 2026, seu primeiro modelo de áudio. Ele combina um grande codificador Conformer com um decodificador Transformer leve, foi treinado do zero e recebe áudio e devolve texto, sem nada no meio.
Cobre 14 idiomas: inglês, francês, alemão, italiano, espanhol, português, grego, holandês, polonês, chinês, japonês, coreano, vietnamita e árabe, e a Cohere publicou depois um checkpoint separado para árabe. Os pesos estão no Hugging Face sob Apache 2.0, atrás de um formulário de acesso, e rodam no Transformers 5.4.0 ou posterior e no vLLM 0.19.0, que oferece um endpoint de transcrição no estilo da OpenAI. A API da própria Cohere o oferece de graça para testes, e o Model Vault o hospeda em instâncias dedicadas.
Cohere Transcribe (03-2026) vale a pena?
Cohere Transcribe conquista seu lugar pela precisão em inglês num tamanho que você mesmo pode rodar. No Open ASR Leaderboard do Hugging Face, no lançamento, teve taxa média de erro de palavras de 5,42% em oito conjuntos de teste em inglês, em primeiro lugar, à frente do Zoom Scribe v1 com 5,47%, do Granite 4.0 1B da IBM com 5,52%, do Qwen3-ASR-1.7B com 5,76% e do ElevenLabs Scribe v2 com 5,83%; o Whisper large-v3 marcou 7,44%. Fez isso com RTFx de cerca de 525, ou seja, 525 minutos de áudio por minuto, segundo a medição da Cohere.
Os testes independentes são menos lisonjeiros. A Artificial Analysis coloca a versão hospedada da Cohere em 4,6% de AA-WER, empatada em 43º de 62 e no nível do Whisper large-v3-turbo na Groq, enquanto o Voxtral Mini Transcribe 3 da Mistral fica em 2,2%. Os conjuntos do leaderboard favorecem fala lida e de transmissão limpa; a Artificial Analysis mistura áudio mais difícil, e a diferença sugere que o modelo é forte no primeiro caso, e não um líder geral. Nos testes de preferência humana da própria Cohere, venceu em média 61% das comparações, mas perdeu em português, alemão e espanhol.
O modelo faz uma coisa só. A documentação diz claramente que não há timestamps, identificação de falantes nem detecção automática de idioma, então você precisa informar o idioma de cada arquivo, e ele lida de forma irregular com áudio que alterna idiomas. Ele também tende a transcrever sons que não são fala, por isso a Cohere recomenda colocar antes um detector de atividade de voz ou um noise gate para que ele não invente palavras no silêncio.
O porém: a parte hospedada está inacabada como produto. A API é gratuita, mas chaves de teste permitem 5 requisições de transcrição por minuto, limites de produção exigem falar com vendas, os arquivos têm limite de 25MB e a documentação não diz por quanto tempo o áudio é guardado. O Model Vault, a opção dedicada, é cobrado por hora de instância sem valor público. Para produção, na prática você vai hospedar por conta própria, o que a licença Apache 2.0 facilita.
Nossa opinião: Cohere Transcribe é um motor padrão sensato para trabalho em lote com muito inglês nas suas próprias GPUs, desde que você acrescente um detector de fala, escolha o idioma e traga alinhamento e diarização de outro lugar.
Onde ele se destaca
Um engenheiro de ML numa plataforma de relações com investidores com milhares de teleconferências de resultados por trimestre
Transformar teleconferências de resultados em inglês em texto pesquisável sem pagar tarifas por minuto a uma API
Sirva o modelo com vLLM em GPUs próprias e envie os arquivos ao endpoint de transcrição no estilo da OpenAI; o exemplo da própria Cohere transcreve uma teleconferência de 55 minutos. A taxa de erro no Earnings-22 é de 10,84%, então tickers e números ainda precisam de revisão com um vocabulário próprio.
Um time de produto num app japonês de anotações
Oferecer ditado no aparelho ou em nuvem privada em japonês e inglês
Use os ports GGUF ou mlx-audio e defina o idioma por sessão, já que não há detecção automática. O japonês é um dos 14 idiomas, mas a ficha alerta para resultados irregulares com áudio que alterna idiomas, então frases que misturam inglês e japonês são o ponto fraco.
Uma líder de compliance num banco europeu
Transcrever ligações gravadas sem enviar áudio a uma API de voz americana
Hospede por conta própria sob Apache 2.0 para que o áudio nunca saia da infraestrutura do banco, e combine com um modelo de diarização separado como o pyannote, porque o Cohere Transcribe não diz quem falou.
Antes de decidir
- Configuração
- Aceite o formulário de acesso no Hugging Face, instale transformers 5.4.0 ou posterior e carregue CohereAsrForConditionalGeneration com um código de idioma; para servir, vllm serve com vllm 0.19.0 e o extra de áudio.
- Integrações
- Transformers, vLLM (/v1/audio/transcriptions compatível com OpenAI), mlx-audio, transformers.js com WebGPU, builds GGUF da comunidade; API da Cohere, Model Vault e fal para uso hospedado.
- Dados e privacidade
- Auto-hospedado, o áudio fica no seu hardware sob Apache 2.0. A documentação do Transcribe da Cohere não informa a retenção do áudio enviado à API; o Model Vault é descrito como inferência em nuvem privada.
- Custo em escala
- Os pesos são gratuitos e a Cohere diz que ele roda em GPUs de consumo. A API gratuita é limitada a 5 requisições por minuto em chaves de teste; limites da API de produção e preços por hora de instância do Model Vault não são publicados.
- Limites
- 14 idiomas, um por requisição; sem timestamps, diarização ou detecção de idioma; 25MB por arquivo na API; áudio longo é dividido e remontado automaticamente; alucina no silêncio sem um detector de atividade de voz.
O que é bom
- 5,42% de WER médio, primeiro no Open ASR Leaderboard no lançamento
- Apache 2.0, cerca de 2B de parâmetros, roda numa única GPU de consumo
- Cerca de 525 vezes o tempo real nos testes da Cohere; o vLLM oferece um endpoint no estilo da OpenAI
- 14 idiomas, incluindo árabe, japonês e vietnamita
O que não é
- Sem timestamps, diarização ou detecção de idioma
- 4,6% de AA-WER na Artificial Analysis, 43º de 62
- Transcreve ruído que não é fala se não houver um detector de voz antes
- API de teste limitada a 5 requisições por minuto; preço de produção sob consulta
- Perdeu os testes de preferência humana em português, alemão e espanhol
Ideal para
Equipes que transcrevem grandes volumes de áudio em um único idioma, principalmente inglês, nas próprias GPUs e querem uma licença limpa.
Alternativas ao Cohere Transcribe (03-2026)
Cohere Transcribe (03-2026): perguntas frequentes
- Cohere Transcribe (03-2026) vale a pena?
- Cohere Transcribe é um transcritor de inglês preciso e com licença permissiva que deixa para você os timestamps, a identificação de falantes e a detecção de idioma. Damos nota 4.0 de 5.
- Quanto custa Cohere Transcribe (03-2026)?
- Gratuito sob Apache 2.0 (download com acesso controlado). A API da Cohere é gratuita para testes, com 5 requisições por minuto em chaves de teste; limites de produção e preços por hora do Model Vault são sob consulta.
- Quais são as desvantagens de Cohere Transcribe (03-2026)?
- Sem timestamps, diarização ou detecção de idioma; 4,6% de AA-WER na Artificial Analysis, 43º de 62; transcreve ruído que não é fala se não houver um detector de voz antes; aPI de teste limitada a 5 requisições por minuto; preço de produção sob consulta; perdeu os testes de preferência humana em português, alemão e espanhol.
- Para quem Cohere Transcribe (03-2026) é indicado?
- Equipes que transcrevem grandes volumes de áudio em um único idioma, principalmente inglês, nas próprias GPUs e querem uma licença limpa.
- Quanto custa Cohere Transcribe (03-2026) para uma equipe ou em produção?
- Os pesos são gratuitos e a Cohere diz que ele roda em GPUs de consumo. A API gratuita é limitada a 5 requisições por minuto em chaves de teste; limites da API de produção e preços por hora de instância do Model Vault não são publicados.
- Cohere Transcribe (03-2026) é seguro para dados da empresa?
- Auto-hospedado, o áudio fica no seu hardware sob Apache 2.0. A documentação do Transcribe da Cohere não informa a retenção do áudio enviado à API; o Model Vault é descrito como inferência em nuvem privada.
- Quais são as melhores alternativas ao Cohere Transcribe (03-2026)?
- As alternativas mais próximas que analisamos são Qwen3-ASR (1.7B and 0.6B), Granite Speech 5.0 2B, Parakeet TDT 0.6B v3, Whisper large-v3-turbo e Voxtral 3 (Transcribe and TTS).
Respostas verificadas em 7 de nov. de 2026.
Você faz o Cohere Transcribe (03-2026)? Mostre esta nota no seu site
