生成式AI厂商Cohere于2026年3月26日正式推出专为语音转录场景打造的开源语音模型，该模型参数量仅20亿，可在普通消费级GPU上流畅运行，目前支持14种主流语言的转写任务，大幅降低了中小开发者、垂直行业企业自建语音转录服务的技术与硬件门槛，为本地部署语音AI能力提供了新选项。
对于很多需要高频处理语音转录需求的中小团队而言，过去要么要承担每年数万到数十万元不等的闭源API调用成本，要么得采购数万元的高端计算卡才能跑通开源大模型，这个两难局面近期有了新的解决方案。
随着远程办公普及、客服智能化、内容生产工业化，全球语音转写服务的市场规模年增速超过32%，但现有方案始终存在明显的痛点：闭源API服务不仅调用成本高，还要求用户上传语音数据到服务商云端，金融、医疗、法律等有严格数据合规要求的行业根本无法使用；而现有开源语音模型大多参数量在100亿以上，需要A100级别的专业计算卡才能流畅运行，中小团队根本负担不起对应的硬件成本。
Cohere本次推出的转录专用模型，核心优势就是在保持转写准确率的前提下大幅压缩了参数量。据官方测试数据，该模型在通用场景下的转写准确率比同参数级别的竞品高出12%-18%，对带口音的语音、背景噪音较多的场景适应性更强。仅20亿的参数量意味着用户只需一张显存16G以上的消费级RTX 3060显卡，就可以实现本地实时转录，完全不需要依赖云端资源。
目前该模型已支持中、英、法、德、日、韩等14种主流语言，后续还将逐步增加小语种和方言的支持。更重要的是，该模型完全开源开放，允许商业用途，开发者无需申请授权即可直接二次开发，适配不同垂直场景的需求。
作为全球头部的生成式AI厂商，Cohere此前一直主打多语言大模型的ToB服务，本次推出轻量级开源语音模型，也反映了当前AI行业的两大发展方向：一是边缘部署需求快速上涨，越来越多的企业希望把AI能力部署在本地，避免数据泄露风险，轻量级、低硬件要求的模型会成为未来的竞争热点；二是垂直场景专用模型的价值凸显，相比通用大模型“大而全”的定位，专门针对某一类任务优化的小模型，往往能在更低的成本下实现更好的效果，更适合中小客户的需求。
据Cohere相关技术负责人透露，团队接下来会在现有模型的基础上迭代功能，预计2026年下半年推出集成说话人分离、实时字幕生成、专业术语定制功能的新版本，参数量依然会控制在30亿以内，保持消费级硬件可运行的特性。同时Cohere也在和多家办公硬件厂商洽谈合作，未来有望把该转录模型预装到智能会议平板、笔记本电脑等设备中，用户不需要连网就能实现本地语音转写。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号