코히어, 20억 파라미터 오픈소스 음성인식 모델 'Transcribe' 공개

Cohere Transcribe는 회의록 작성과 음성 분석을 위해 로컬 환경에서 직접 구동할 수 있는 경량 오픈소스 음성인식 모델입니다.

파라미터 크기가 20억(2B) 개에 불과해 일반 소비자용 GPU에서도 원활하게 돌아가므로, 민감한 음성 데이터를 외부 클라우드로 보낼 필요 없이 직접 호스팅할 수 있습니다.

주요 기능 및 시스템 요구 사양

Transcribe는 실제 업무 환경에서의 전사 처리를 목표로 개발되었으며 한국어, 영어, 중국어, 일본어, 프랑스어, 독일어, 스페인어, 아랍어 등 총 14개 언어를 지원합니다.

가장 큰 장점은 뛰어난 처리 속도입니다. 1분 만에 525분 분량의 오디오를 처리할 수 있는 높은 처리량을 제공하여, 몇 시간짜리 녹음 파일도 순식간에 텍스트로 변환합니다.

2B 파라미터 크기 덕분에 엔터프라이즈급 장비 없이도 단일 소비자용 그래픽카드에서 로컬 음성 메모나 전사 서비스를 가볍게 구축할 수 있습니다.

모델 구조와 성능 벤치마크

모델 아키텍처는 Conformer 기반의 인코더-디코더 방식을 채택했습니다. 대형 Conformer 인코더가 log-Mel 스펙트로그램에서 음향 특징을 추출하고, 가벼운 Transformer 디코더가 텍스트 토큰을 생성하는 구조로 밑바닥부터 훈련되었습니다.

Hugging Face의 Open ASR 리더보드에서 Transcribe는 평균 단어 오류율(WER) 5.42를 기록하며 1위에 올랐습니다. 이는 Zoom Scribe v1, IBM Granite 4.0 1B, ElevenLabs Scribe v2는 물론 OpenAI의 Whisper Large v3를 뛰어넘는 수치입니다.

사람 평가자가 진행한 블라인드 테스트에서도 정확도와 자연스러움에서 평균 61%의 승률을 보였습니다. 다만 포르투갈어, 독일어, 스페인어 전사에서는 경쟁 모델보다 일부 뒤처지는 한계를 보였습니다.

사용 방법

Transcribe는 Apache 2.0 라이선스로 배포되어 Hugging Face에서 가중치를 내려받아 상업적 용도로 즉시 사용할 수 있습니다.

자체 인프라 구축이 부담스럽다면 코히어가 제공하는 무료 API를 통해 호출할 수도 있으며, 관리형 플랫폼인 Model Vault와 엔터프라이즈 플랫폼 North에도 통합될 예정입니다.

왜 중요한가

음성 메모 서비스나 회의록 요약 도구를 만드는 개발자에게 Transcribe는 매우 실용적인 도구입니다. 기존에 Whisper Large 같은 무거운 모델을 돌려야 얻을 수 있었던 수준의 인식 정확도를 2B 크기에서 더 빠른 속도로 구현할 수 있고, Apache 2.0 라이선스로 상용화 제약도 거의 없습니다.

다만 스페인어나 독일어, 포르투갈어 처리가 핵심인 서비스라면 전면 도입을 서두르지 않는 편이 좋습니다. 특정 언어에서는 기존 경쟁 모델보다 정확도가 다소 떨어질 수 있으므로, 실제 서비스 오디오 샘플로 충분한 사전 검증을 거치길 권합니다.