주요 특징

• 구조는 대형 Conformer 인코더로 16kHz 오디오를 로그멜 스펙트로그램에서 음향 표현으로 바꾼 뒤, 경량 Transformer 디코더가 텍스트 토큰을 순차 생성하는 인코더-디코더 방식입니다. 범용 언어모델을 재활용하지 않고 전사 작업만을 위해 처음부터 학습한 전용(dedicated) ASR 모델이라는 점이 특징입니다.
• 저장소가 공개한 측정값 기준으로 영어 ASR 리더보드 평균 WER 5.42%, LibriSpeech Clean 1.25%, LibriSpeech Other 2.37%를 기록했습니다. 공개 시점 기준 비교 가능한 모델들 대비 최대 3배 빠른 실시간 처리 속도(RTF)를 보고했습니다.
• 유럽(영어·프랑스어·독일어·이탈리아어·스페인어·포르투갈어·그리스어·네덜란드어·폴란드어), 아시아태평양(중국어·일본어·한국어·베트남어), 중동(아랍어) 3개 권역 14개 언어의 음성 인식을 지원합니다.
• 사용법은 Transformers 라이브러리의 AutoProcessor와 CohereAsrForConditionalGeneration 클래스를 불러오는 것으로 시작하며, 프로덕션 서빙을 위한 vLLM 연동과 서로 다른 길이의 오디오를 한 번에 처리하는 배치 추론, 긴 오디오를 자동으로 잘라 처리하는 롱폼 전사 기능을 함께 제공합니다.
• 가중치는 Apache 2.0 라이선스로 공개되어 있고 Azure를 통한 엔드포인트 배포도 지원합니다. Hugging Face 저장소 기준 누적 다운로드가 68만 건을 넘어설 만큼 빠르게 퍼졌습니다.