SuperwhisperがCohere Transcribeを導入し、プライベートなオンデバイス音声入力に対応

Why it matters

The integration gives Cohere an end-user channel for its open speech model and lets Superwhisper improve private voice input without training its own frontier ASR system.

Neil Chudleigh (@neilsuperduper)、Superwhisperの創設者は、ローカルでオフラインのディクテーション用にCohereのオープンウェイトのTranscribe音声認識モデルをアプリに追加しました。Superwhisperは7月28日にこの統合を発表し、7月29日にXへの投稿でパートナーシップを宣伝しました。 (superwhisper.com)

この追加は、Chudleighが自分のためにSuperwhisperを作ったときから追求しているプロダクトの仮説を前進させます：音声入力はすべての録音をリモートサーバーに送信することなくアプリケーション全体で機能すべきだ、という考えです。Chudleighは以前、B2Bのパートナー管理プラットフォームであるPartnerStackを共同設立しており、同社は2015年にY Combinatorを経て、2026年4月14日にAppDirectに買収されました。 (appdirect.com)

Chudleighは、Appleのディクテーションがアプリごとに不正確で一貫性がないと感じたことからSuperwhisperを始めたと述べています。彼は当初、大規模モデルとオーディオ処理を消費者向けハードウェア上で管理するために必要な追加のエンジニアリング作業を受け入れつつ、オフラインモデルを中心に製品を構築しました。そのアーキテクチャはまた、ユーザーが音声をアップロードすることを望まない、あるいはできない可能性のある法務、医療、政府、ソフトウェア開発のワークフローといった、機密性の高い用途に対してChudleighに明確な立場を与えました。 (deepgram.com)

アプリ内の1.3GBモデル

ユーザーはSuperwhisperのモデルライブラリからCohere Transcribeを1.3GBのダウンロードとしてインストールし、それを音声モデルに選択してインターネット接続なしでディクテーションを行えます。Superwhisperによればオーディオはユーザーのマシン上にとどまるとのことです。この統合はまた、ユーザー定義の名前、製品用語、スニペット、技術用語を認識するよう設計されたSuperwhisperの語彙レイヤーも適用します。 (superwhisper.com)

CohereはTranscribeを3月26日にリリースしました。これは英語、フランス語、ドイツ語、スペイン語、北京語（マンダリン）、日本語、韓国語、アラビア語を含む14言語向けに訓練された20億パラメータのConformerモデルです。モデルウェイトはApache 2.0ライセンスの下で提供されており、開発者はライセンスの条件に従ってモデルを使用および変更する許可を得ます。 (cohere.com)

Cohereのベンチマーク表は、Transcribeを3月のローンチ時点でHugging Face Open ASRリーダーボードの首位に配置し、英語の平均語誤り率を5.42%としました。同表ではOpenAIのWhisper Large v3が7.44%、ElevenLabsのScribe v2が5.83%と示されています。これらの数値は、すべてのディクテーション環境、アクセント、マイク設定を表すものではなく、標準化された英語データセット群を記述するものです。 (cohere.com)

このモデルには実用上の制約もあります。Cohereのモデルカードは、Transcribeは事前にサポートされる1言語を選択した場合に最も良く動作すると述べています。自動言語検出、タイムスタンプ、話者分離はなく、Cohereはコードスイッチした音声では結果が一貫しない可能性があると警告しています。また、アプリケーションが音声アクティビティ検出やノイズゲートを前段に設置しない限り、モデルは背景雑音を文字起こししようとする可能性があります。Superwhisperの語彙ラッパーは専門用語に対処しますが、そうした基礎的なモデルの制限を取り除くものではありません。 (huggingface.co)

Cohereにとってのエンドユーザー向け配布チャネル

Superwhisperにとって、このパートナーシップはChudleighに最先端の音声システムをゼロから訓練させることなく、競争力のあるオープンモデルを追加することを意味します。Superwhisperは代わりにモデル選択、ローカル推論、語彙の制御、および完成したテキストをメール、コーディング、プロダクティビティアプリケーションに挿入するワークフローを通じて競争できます。

Cohereにとっては、Superwhisperはモデルリリースから4か月後に、日常的に音声をコンピュータの入力として使う人々の目の前にTranscribeを直接置くことになります。CohereはTranscribeを、同社のエンタープライズエージェントプラットフォームであるNorth内での音声インテリジェンスに向けた第一歩として導入しました。消費者向けのディクテーションアプリを通じた配布は、プライベートなデプロイとインフラ制御を重視するCohereの方針を維持しつつ、モデルを実際のワークフローに導入する別の経路を与えます。 (cohere.com)

トロントとの結びつきは、両社にとってデータ主権を訴求する材料にもなります。Superwhisperはこの統合を、カナダのモデルがカナダ製のアプリケーション内で動作し、処理がユーザーのハードウェア上に保たれる形だと説明しています。その表現は音声がどこで処理されるかを気にする組織にとって有用ですが、即時の製品上の利点はより単純です：ユーザーはPythonを設定したり、ウェイトを手動でダウンロードしたり、inference infrastructureを運用したりすることなく、比較的正確な音声モデルをインストールできます。

Chudleighの賭けは、音声が別個の文字起こし先というよりソフトウェアの一般的な入力レイヤーになる、ということです。Cohere Transcribeの追加は、ユーザーが最初に遭遇するその議論の部分を強化します。ディクテーションが時間を節約するのは、文字起こしが文をタイプするよりも少ない修正で済む場合に限られます。