Cohere lanza un modelo de transcripción de código abierto con 2.000 millones de parámetros y 14 idiomas

Cohere ha lanzado un modelo de voz abierto diseñado específicamente para la transcripción de habla. A diferencia de la mayoría de sus equivalentes, pesa solo 2.000 millones de parámetros. Es una decisión deliberada: permite ejecutarlo en una GPU de consumo común, sin recurrir a costosos clústeres de servidores ni a API en la nube. La compañía presenta la novedad como una herramienta para desarrolladores que quieren desplegar la transcripción en sus propios sistemas.

Cohere es una empresa canadiense de IA fundada en 2019 por antiguos miembros de Google Brain. Hasta ahora se la conocía sobre todo como proveedora de modelos de lenguaje corporativos: su modelo estrella, Command, compite con GPT-4 y Claude en el segmento empresarial, y su sistema de embeddings Embed se usa en miles de aplicaciones en producción para búsqueda semántica. Las herramientas de voz son una línea nueva para la compañía, y arranca con un enfoque especializado: en lugar de una solución multimodal universal, ha publicado una herramienta afinada para una sola tarea.

El mercado del reconocimiento automático de voz atraviesa una transformación. Históricamente lo han controlado los gigantes tecnológicos: Google Speech-to-Text, Amazon Transcribe y Microsoft Azure Speech. Todos funcionan en la nube: el audio viaja a los servidores del proveedor, allí se procesa y se devuelve el texto. Esto genera dos problemas: costes crecientes con grandes volúmenes y dudas sobre la confidencialidad, críticas en varios sectores. Los grandes proveedores ganan dinero con la escala, pero para startups y empresas medianas el coste de la transcripción en la nube se convierte rápidamente en una partida significativa.

El punto de inflexión llegó en 2022, cuando OpenAI lanzó Whisper, un modelo de transcripción abierto que se puede ejecutar en local. Whisper cambió el mercado: los desarrolladores migraron en masa a la transcripción autoalojada y surgieron variantes rápidas como faster-whisper, basada en CTranslate2, y versiones destiladas más ligeras. Sin embargo, Whisper tiene limitaciones conocidas. Las versiones grandes exigen una GPU con 8–10 GB de VRAM, y el modelo no ha recibido actualizaciones significativas desde que salió Large v3 en 2023. El mercado esperaba una alternativa sólida. Ahí encuentra espacio el modelo de Cohere.

Los 2.000 millones de parámetros no son una concesión, sino una apuesta consciente por la accesibilidad. A modo de comparación, Whisper Large v3, considerado la referencia de calidad, tiene 1.500 millones de parámetros y requiere como mínimo 8 GB de VRAM en media precisión. El modelo de Cohere es algo mayor en parámetros, pero, a juzgar por su compatibilidad declarada con GPU de consumo, está mejor optimizado para ejecutarse sin un centro de datos. El soporte de 14 idiomas cubre la mayoría de los escenarios de producción de las empresas globales.

El código abierto también es una cuestión de privacidad. Las empresas de los sectores financiero, sanitario, jurídico y público no pueden limitarse a enviar conversaciones y grabaciones sensibles a los servidores de terceros. Normativas como HIPAA, el RGPD, la ley rusa 152-FZ y otras similares exigen control sobre el tratamiento de los datos. La transcripción autoalojada elimina por completo esta barrera: el audio se procesa en local y nada sale al exterior. Hasta ahora, la única opción madura para estos casos era Whisper, con sus limitaciones en producción.

Publicar una herramienta abierta es además un movimiento estratégico de Cohere. Un modelo gratuito atrae a los desarrolladores a su ecosistema, genera una futura dependencia de los productos corporativos en la nube cuando el negocio crece y construye una reputación de socio de confianza. Es la misma lógica que aplica Meta con Llama y Mistral con sus modelos abiertos: primero generar confianza con la apertura y después monetizar con el segmento empresarial.

Los benchmarks independientes llegarán en las próximas semanas. Por ahora no está claro cómo se comporta el modelo con mucho ruido, acentos complejos y terminología especializada. Si su precisión resulta comparable a la de Whisper Large v3, cambiará de forma notable el equilibrio de fuerzas en la transcripción de código abierto. Los desarrolladores que construyan sistemas de transcripción de reuniones, centros de llamadas, herramientas de documentación médica o notas de voz deberían añadir el modelo de Cohere a su lista de candidatos para probar.

*Meta está reconocida como organización extremista y prohibida en Rusia.