Cohere 发布阿拉伯语 ASR 新 SOTA：2B 参数开源模型，WER 比 Whisper 低 11 个点
Cohere 发布了 Cohere Transcribe Arabic，一个专门为阿拉伯语打造的 2B 参数语音识别模型。该模型以 Apache 2.0 许可开源，在 HuggingFace 阿拉伯语 ASR 排行榜上拿下新第一，WER 25.87，比 Meta 的 OmniASR-LLM-7B 低 2.45 个点，比 OpenAI 的 Whisper Large V3 低整整 11 个点。
阿拉伯语 ASR 为什么这么难
全球超过 3 亿人以阿拉伯语为母语，分布在约 30 种主要方言中。仅沙特阿拉伯就有三大方言群和更多亚群。日常口语与现代标准阿拉伯语（MSA）差异巨大，加上职场中频繁出现的阿拉伯语-英语混用（语码转换），让统一方案几乎不可能。长期以来，阿拉伯语在 AI 语音技术中处于"前沿语言缺口"——英语主导了模型开发和评估，阿拉伯语用户被迫适应不理想的工具。
精度：开源新标杆
Cohere Transcribe Arabic 在 HuggingFace 阿拉伯语 ASR 排行榜上取得 WER 25.87 的平均成绩，在 6 个测试集中 4 个排名第一：
| 测试集 | Cohere Transcribe Arabic | OmniASR 7B-LLM | Whisper Large V3 |
|---|---|---|---|
| 平均 WER | 25.87 | 28.32 | 36.86 |
| SADA（方言） | 37.47 | 41.61 | 55.96 |
| Common Voice | 5.82 | 9.75 | 17.83 |
| Casablanca（8方言对话） | 49.71 | 56.46 | 71.81 |
人类评估中，阿拉伯语母语者在整体准确度、方言忠实度和语码转换处理三个维度上，95.8% 的情况下偏好 Cohere Transcribe Arabic 而非 Whisper。在阿拉伯口音英语场景中，77.2% 偏好优于原版 Cohere Transcribe。
速度：3.6 倍于 Whisper
推理速度同样是亮点。Cohere Transcribe Arabic 的 RTFx（实时倍率）达到 525，是 Whisper Large V3（146）的 3.6 倍，OmniASR 7B-LLM（66）的近 8 倍。这意味着在相同硬件上，处理阿拉伯语音频的吞吐量大幅提升。
团队基于 vLLM 做了专门优化，使模型在高并发生产环境下也能稳定运行，即使音频输入长度不一。
技术路线
Cohere Transcribe Arabic 基于今年 3 月发布的 Cohere Transcribe（2B 参数英文 ASR 模型），在阿拉伯语方言数据、专业语言、语码转换场景和多种声学条件下进行了大量训练。模型权重在 HuggingFace 上以 Apache 2.0 许可发布，开发者可以直接下载使用，也可以通过 Cohere API 调用托管版本。
适合谁用
- 面向阿拉伯语市场的产品团队：客服语音转写、会议记录、媒体字幕
- 需要处理方言和语码转换的企业：金融、医疗、法律等领域的阿拉伯语场景
- 研究者：2B 参数规模适合在消费级 GPU 上部署和微调
注意事项
模型在 MASC clean 测试集上，原版 Cohere Transcribe 的 WER（8.66）仍低于阿拉伯语专版（15.54），说明在标准阿拉伯语清晰语音场景下，通用模型可能仍有优势。此外，2B 参数规模虽然推理快，但在极端噪声或非常小众方言上的表现可能不如更大的模型。
---
来源：[Cohere 官方博客](https://cohere.com/blog/transcribe-arabic)｜[HuggingFace 模型页](https://huggingface.co/CohereLabs/cohere-transcribe-arabic-07-2026)