Cohere publie un modèle de transcription open source de 2 milliards de paramètres pour 14 langues

Cohere a publié un modèle vocal ouvert conçu spécifiquement pour la transcription de la parole. Contrairement à la plupart de ses équivalents, il ne pèse que 2 milliards de paramètres. Le choix est délibéré : il permet de le faire tourner sur un GPU grand public ordinaire, sans recourir à des clusters de serveurs coûteux ni à des API cloud. L'entreprise présente cette nouveauté comme un outil pour les développeurs qui veulent déployer la transcription chez eux.

Cohere est une entreprise canadienne d'IA fondée en 2019 par d'anciens de Google Brain. Jusqu'ici, elle était connue surtout comme fournisseur de modèles de langage pour les entreprises : son modèle phare Command rivalise avec GPT-4 et Claude sur le segment professionnel, et son système d'embeddings Embed est utilisé dans des milliers d'applications en production pour la recherche sémantique. Les outils vocaux constituent un nouveau chantier pour la société, avec d'emblée une logique de spécialisation : plutôt qu'une solution multimodale universelle, elle publie un outil taillé pour une seule tâche.

Le marché de la reconnaissance vocale automatique connaît une mutation. Il a longtemps été dominé par les géants de la tech : Google Speech-to-Text, Amazon Transcribe, Microsoft Azure Speech. Tous fonctionnent sur un modèle cloud : l'audio part vers les serveurs du fournisseur, y est traité, puis le texte revient. Cela pose deux problèmes : des coûts qui grimpent avec les gros volumes, et des enjeux de confidentialité critiques pour plusieurs secteurs. Les grands fournisseurs gagnent de l'argent grâce à l'échelle, mais pour les startups et les entreprises moyennes, le coût de la transcription dans le cloud devient vite un poste de dépense important.

Le tournant date de 2022, quand OpenAI a publié Whisper, un modèle de transcription ouvert qui peut s'exécuter en local. Whisper a changé le marché : les développeurs ont massivement adopté la transcription auto-hébergée, et des variantes rapides comme faster-whisper, fondée sur CTranslate2, ainsi que des versions distillées plus légères sont apparues. Mais Whisper a des limites connues. Les grandes versions exigent un GPU avec 8 à 10 Go de VRAM, et le modèle n'a pas reçu de mise à jour significative depuis la sortie de Large v3 en 2023. Le marché attendait une alternative crédible. C'est là que le modèle de Cohere trouve sa place.

Avec 2 milliards de paramètres, il ne s'agit pas d'un compromis mais d'un pari assumé sur l'accessibilité. À titre de comparaison, Whisper Large v3, considéré comme la référence en qualité, compte 1,5 milliard de paramètres et exige au minimum 8 Go de VRAM en demi-précision. Le modèle de Cohere est un peu plus gros en nombre de paramètres, mais, à en juger par sa compatibilité annoncée avec les GPU grand public, il est mieux optimisé pour tourner sans centre de données. La prise en charge de 14 langues couvre la plupart des cas d'usage en production des entreprises mondiales.

L'open source est aussi une question de confidentialité. Les entreprises des secteurs financier, médical, juridique et public ne peuvent pas simplement envoyer des conversations et des enregistrements sensibles vers les serveurs de fournisseurs tiers. Les exigences réglementaires de HIPAA, du RGPD, de la loi russe 152-FZ et de textes similaires imposent de contrôler le traitement des données. La transcription auto-hébergée lève totalement cet obstacle : l'audio est traité en local, rien ne sort. Jusqu'ici, la seule option mature pour ces scénarios restait Whisper, avec ses limites en production.

Publier un outil ouvert est également un coup stratégique pour Cohere. Un modèle gratuit attire les développeurs dans l'écosystème de l'entreprise, crée une future dépendance aux produits cloud professionnels quand l'activité monte en charge, et bâtit une réputation de partenaire digne de confiance. C'est la logique que Meta applique avec Llama et Mistral avec ses modèles ouverts : d'abord gagner la confiance par l'ouverture, puis monétiser auprès des entreprises.

Des benchmarks indépendants devraient arriver dans les semaines à venir. On ignore pour l'instant comment le modèle se comporte avec un fort bruit, des accents difficiles et une terminologie spécialisée. Si sa précision s'avère comparable à celle de Whisper Large v3, cela changera nettement le rapport de forces dans la transcription open source. Les développeurs qui construisent des systèmes de transcription de réunions, des centres d'appels, des outils de documentation médicale ou des notes vocales devraient ajouter le modèle de Cohere à leur liste de candidats à tester.

*Meta est reconnue comme organisation extrémiste et interdite en Russie.