Cohere Transcribe 2B

この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある Cohere Transcribe 2B を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。

まずサイト内ページへ

ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。

概要

モデル	Cohere Transcribe 2B
役割	High-accuracy multilingual offline speech-to-text
バックエンド	Native MLX on Apple Silicon
出力	Plain-text transcription
言語	14 languages
ライセンス	Apache-2.0
状態	Published FP16, INT5, and INT8 bundles; INT5 is the default
ソース	Cohere Transcribe
Swift プロダクト	`CohereTranscribeASR`
CLI / ランタイム	`speech transcribe --engine cohere`

使い方

以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。

# INT5 is the default.
speech transcribe recording.wav --engine cohere

# Select another published precision and pass a language hint.
speech transcribe recording.wav --engine cohere --model int8 --language de

# --model also accepts a Hugging Face model ID or a local directory.
speech transcribe recording.wav --engine cohere --model /models/cohere/int5

ベンチマーク

2026-07-22 に、英語 FLEURS の朗読音声 80 発話（合計 759.56 秒）を、48 GB メモリの Apple M5 Pro（macOS 26.5.2）で測定しました。各バリアントは release ビルドの独立したプロセスで実行しています。

Variant	Bundle	WER	Δ WER	Mean RTF	Overall ×RT	Footprint
FP16	3.85 GiB	6.178%	—	0.0444	23.59×	6,724 MiB
INT5	1.62 GiB	6.288%	+0.110 pp	0.0150	69.64×	2,582 MiB
INT8	2.25 GiB	6.178%	+0.000 pp	0.0159	65.74×	3,292 MiB

物理フットプリントは配備上意味を持つユニファイドメモリの指標です。MLX が重みファイルをメモリマップする場合があるためです。FLEURS は英語の朗読音声であり、これらの数値は会話音声、電話音声、雑音環境、話者の多い音声での同等性を主張するものではありません。

モデルリンク

実装メモ

The runtime resamples mono Float32 PCM to 16 kHz and handles long recordings in overlapping chunks.
INT5 is the practical default: on the validated English FLEURS run it used a 1.62 GiB bundle, 2,582 MiB physical footprint, and 0.0150 mean RTF.
MLX affine quantization supports 2, 3, 4, 5, 6, and 8 bits, not INT7; choose INT8 when prioritizing quality.
This is a non-streaming engine. The CLI rejects --stream instead of silently changing behavior.