TL;DR

이 모델은 Cohere Labs에서 발표한 2B 파라미터 Conformer 기반의 자동 음성 인식 모델로 아랍어 방언과 아랍어-영어 코드스위칭에 최적화되어 있다. 입력 파형을 16kHz로 리샘플링해 로그 멜 스펙토그램으로 변환한 뒤 대형 Conformer 인코더가 음향 표현을 추출하고 경량 Transformer 디코더가 토큰을 생성하는 encoder-decoder 설계를 사용한다. 긴 오디오에 대해서는 자동 청크 분할과 재조합을 통해 전체 전사를 생성하며, README의 리더보드에서 평균 WER 25.87(CER 11.80)을 기록해 이전 Cohere Transcribe 계열보다 전사 오류율이 낮아진 점이 확인된다. 타임스탬프와 화자 분리 기능은 없으며 무음 구간 과전사를 완화하기 위해 VAD 같은 전처리 조합이 권장된다.

핵심 포인트

• Open Universal Arabic ASR Leaderboard에서 평균 WER 25.87을 기록해 동일 계열인 Cohere Transcribe 03-2026의 평균 WER 30.67보다 낮은 오류율을 보였으며 이는 전사 정확도 측면에서의 개선을 의미한다. 이 수치는 README의 리더보드 표에 직접 기재되어 있어 비교 근거가 명확하다. 특히 Common Voice에서는 WER 5.82, CER 1.62를 기록해 일부 데이터셋에서 매우 낮은 오류율을 달성했다.
• 아랍어 방언과 아랍어-영어 코드스위칭을 최적화 대상으로 삼아 학습 데이터 분포와 모델 튜닝을 조정한 점이 특징이며 README에서 이 목적에 대해 명확히 언급되어 있다. 이러한 초점은 범용 다국어 모델과 달리 특정 언어군의 실사용 케이스에서 성능을 끌어올리는 전략으로 작동한다. 다만 자동 언어 감지는 제공되지 않으므로 사용자는 language 파라미터를 명시해야 한다.
• 대형 Conformer 인코더와 경량 Transformer 디코더의 조합은 음향 표현의 질과 디코더의 생성 효율 사이에서 실용적인 균형을 만든다. 이 구조적 선택은 추론 중 연산 비용을 줄이면서도 수음 환경 변화에 강한 표현을 유지하는 데 기여한다. README는 이 구조를 아키텍처 설명과 함께 명시해 설계 근거를 제공한다.
• transformers 라이브러리의 AutoProcessor/CohereAsrForConditionalGeneration을 통한 네이티브 사용과 vLLM을 위한 서빙 명령을 모두 제공해 개발자 관점의 도입 장벽을 낮췄다. 로컬 테스트 코드와 vLLM 서버 명령 예시는 개발에서 배포로의 전환을 단순화하는 문서 관행을 반영한다. 이로 인해 실험 환경에서 프로덕션 환경으로의 이전이 비교적 용이하다.

벤치마크