Tłumaczenie automatyczne · Oryginał angielski
Cohere Transcribe 2B
Ta pierwsza strona Soniqo dokumenty Cohere Transcribe 2B z lokalnej implementacji speech-swift / speech-core. Hugging Face pakiety są połączone poniżej po notatkach integracyjnych.
Karty do lądowania i menu doków wskazują najpierw tutaj; model źródłowy i linki do pakietów pozostają dostępne na tej stronie.
At a Glance
| Wzór | Cohere Transcribe 2B |
|---|---|
| Rola | Wysokowydajna wielojęzyczna przemowa offline-to-text |
| Wstecz | Native MLX na Apple Silicon |
| Wyjście | Transkrypcja tekstu w formacie plain- text |
| Języki | 14 języków |
| Licencja | Apache-2.0 |
| Status | Opublikowane pakiety FP16, INT5 i INT8; INT5 jest domyślny |
| Źródło | Cohere Transcribe |
| Produkt Swift | CohereTranscribeASR |
| CLI / runtime | speech transcribe --engine cohere |
Stosowanie
Poniższy fragment jest odzwierciedleniem bieżącego speech-swift API lub polecenia zdemaskowanego przez repo.
# 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/int5Punkt odniesienia
Mierzony na 2026- 07-22 nad 80 angielski FLEURS odczyty mowy ogółem 759.56 sekundy, na Apple M5 Pro z 48 GB pamięci uruchomionej macOS 26.5.2. Każdy wariant działał we własnym procesie z budowy wydania.
| Wariant | Paleta | WER | Δ WER | Średnia RTF | Ogólny × RT | Odcisk stopy |
|---|---|---|---|---|---|---|
| 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 |
Fizyczny ślad to odpowiednia do zastosowania postać pamięci unified, ponieważ MLX może zapamiętywać pliki wagowe. FLEURS to angielski odczyt mowy: liczby te nie twierdzą parytetu na konwersacji, telefon, hałas lub głośniki ciężkie audio.
Wzory linków
Uwagi do wdrożenia
- Runtime resembles mono Float32 PCM do 16 kHz i obsługuje długie nagrania w nakładających się na siebie kawałkach.
- INT5 jest praktyczną domyślną wartością domyślną: na zatwierdzonej angielskiej serii FLEURS użyto wiązki 1.62 GiB, fizycznego śladu 2,582 MiB oraz średniej 0.0150 RTF.
- MLX wsparcie kwantyzacji afirnu 2, 3, 4, 5, 6oraz 8 bity, nie INT7; wybierz INT8 w przypadku ustalania priorytetów jakości.
- Jest to silnik niestrumieniowy. CLI odrzuca --stream zamiast po cichu zmieniać zachowanie.