Cohere、オープンなアラビア語音声認識モデルを公開——平均WER 25.87、Whisperより11ポイント改善と発表

Cohereは7月7日、アラビア語向け音声認識モデル「Cohere Transcribe Arabic」を公開しました。結論から言うと、英語中心だった音声AIを、方言が多く英語混じりの会話も起きやすいアラビア語の現実に合わせる動きです。

Cohereによると、このモデルは今年公開した2B規模のASRモデルを基に、アラビア語方言、ビジネス語彙、コードスイッチ、雑音のある音声で追加学習しています。

Open Universal Arabic ASR Leaderboardでは平均WER（単語誤り率）25.87を記録し、前首位のMeta OmniASR-LLM-7Bより2.45ポイント、OpenAI Whisper Large V3より11ポイント良いと説明されています。人間評価でも、Whisperより好まれた割合が95.8%でした。

ライセンスはApache 2.0で、重みはHugging Faceから入手でき、Cohere APIやModel Vaultでも使えます。さらにRTFxは525で、Whisper Large V3の146、OmniASRの66より高速だと報告されています。

ユーザーにとっては、アラビア語の字幕、通話記録、会議メモ、顧客対応で、方言を標準語に丸めず拾える可能性が大きな意味を持ちます。ただし数値はCohereが示した評価であり、実際の録音環境や専門用語では追加確認が必要です。出典はCohere公式ブログです。