En el panorama de la IA empresarial, el puente entre el audio no estructurado y el texto procesable a menudo ha sido un cuello de botella de API patentadas y complejos canales en cascada. Hoy, Cohere, una empresa tradicionalmente conocida por sus modelos de generación e incrustación de texto, ha entrado oficialmente en el mercado del reconocimiento automático de voz (ASR) con el lanzamiento de su último modelo, ‘Cohere Transcribe’.
La arquitectura: por qué es importante el conformador
Para comprender el modelo Cohere Transcribe, hay que mirar más allá de la etiqueta ‘Transformer’. Si bien el modelo es una arquitectura de codificador-decodificador, utiliza específicamente un codificador Conformer grande emparejado con un decodificador Transformer liviano.
Un Conformer es una arquitectura híbrida que combina las fortalezas de las redes neuronales convolucionales (CNN) y los transformadores. En ASR, las CNN suelen manejar mejor las características locales (como fonemas específicos o transiciones rápidas en el sonido), mientras que el contexto global (el significado de la oración) es dominio de Transformers. Al entrelazar estas capas, el modelo de Cohere está diseñado para capturar tanto detalles acústicos finos como dependencias lingüísticas de largo alcance.
El modelo se entrenó utilizando entropía cruzada supervisada estándar, un objetivo de entrenamiento clásico pero sólido que se centra en minimizar la diferencia entre el texto predicho y la transcripción real.
Actuación
Mientras que algunos modelos globales apuntan a más de 100 idiomas con distintos grados de precisión, Cohere ha optado por un enfoque de “calidad sobre cantidad”. El modelo admite oficialmente 14 idiomas: inglés, alemán, francés, italiano, español, portugués, griego, holandés, polaco, árabe, vietnamita, chino, japonés y coreano.
Cohere posiciona a Transcribe como un modelo ASR de alta precisión orientado a la producción. Ocupa el puesto número 1 en la tabla de clasificación ASR abierta de Hugging Face (26 de marzo de 2026) con un WER promedio del 5,42 % en conjuntos de referencia que incluyen AMI, Earnings22, GigaSpeech, LibriSpeech clean/other, SPGISpeech, TED-LIUM y VoxPopuli. También obtiene una puntuación de 8,13 en AMI, 10,86 en Earnings22, 9,34 en GigaSpeech, 1,25 en LibriSpeech clean, 2,37 en LibriSpeech other, 3,08 en SPGISpeech, 2,49 en TED-LIUM y 5,87 en VoxPopuli, superando a modelos como Whisper Large v3. (7,44 WER promedio), ElevenLabs Scribe v2 (5,83) y Qwen3-ASR-1.7B (5,76) en varias tablas de clasificación.
El equipo de Cohere también informa resultados de preferencia humana más sólidos en inglés, donde los anotadores prefirieron Transcribe a las transcripciones de la competencia en comparaciones directas, incluido un 78 % frente a IBM Granite 4.0 1B Speech, un 67 % frente a NVIDIA Canary Qwen 2.5B, un 64 % frente a Whisper Large v3 y un 56 % frente a Zoom Scribe v1.
Audio de formato largo: la regla de los 35 segundos
Manejar audio de formato largo, como llamadas de ganancias de 60 minutos o procedimientos legales, presenta un desafío único para las arquitecturas con uso intensivo de memoria. Cohere aborda esto no a través de una atención de ventana deslizante, sino a través de una lógica sólida de fragmentación y reensamblaje.
El modelo está diseñado de forma nativa para procesar audio en segmentos de 35 segundos. Para cualquier archivo que exceda este límite, el sistema automáticamente:
Divide el audio en fragmentos superpuestos. Procesa cada segmento a través de la tubería Conformer-Transformer. Vuelve a ensamblar el texto superpuesto para asegurar la continuidad.
Este enfoque garantiza que el modelo pueda manejar un archivo de 55 minutos sin agotar la VRAM de la GPU, siempre que el proceso de ingeniería gestione la orquestación de fragmentación correctamente.
Conclusiones clave
Precisión de última generación: el modelo se lanzó en el puesto número 1 en la tabla de clasificación ASR abierta de Hugging Face (26 de marzo de 2026) con una tasa de error de palabras (WER) promedio del 5,42 %. Supera a modelos establecidos como Whisper Large v3 (7,44%) e IBM Granite 4.0 (5,52%) en puntos de referencia que incluyen LibriSpeech, Earnings22 y TED-LIUM. Arquitectura híbrida de Conformer: a diferencia de los modelos estándar de Transformer puro, Transcribe utiliza un codificador Conformer grande combinado con un decodificador Transformer liviano. Este diseño híbrido permite que el modelo capture de manera eficiente tanto las características acústicas locales (mediante convolución) como el contexto lingüístico global (mediante autoatención). Manejo automatizado de formato largo: para mantener la eficiencia y la estabilidad de la memoria, el modelo utiliza una lógica de fragmentación nativa de 35 segundos. Segmenta automáticamente el audio de más de 35 segundos en fragmentos superpuestos y los vuelve a ensamblar, lo que le permite procesar grabaciones extendidas, como llamadas de ganancias de 55 minutos, sin degradación del rendimiento. Restricciones técnicas definidas: el modelo es una herramienta ASR pura y no incluye de forma nativa registro de los hablantes ni marcas de tiempo. Admite 14 idiomas específicos y funciona mejor cuando el idioma de destino está predefinido, ya que no incluye detección automática explícita de idioma ni soporte optimizado para el cambio de código.
Consulta los detalles técnicos y el peso del modelo en HF. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 120.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.