TII представи Falcon-ASR: арабски модел за разпознаване на реч с 1,6 млрд. параметъра постига 20,92% WER

Технологичният иновационен институт (TII) в Абу Даби представи Falcon-ASR — модел за разпознаване на арабска реч с 1,6 млрд. параметъра. Той е фокусиран върху емирския диалект и също така транскрибира английски, френски, испански и португалски. В оценката на TII Falcon-ASR постига среден процент грешки при думите (WER) от 20,92% в 6 арабски тестови набора. Това е с 2,25 пункта по-добър резултат от най-доброто публикувано представяне в моментната снимка на класацията на TII. За разработчиците, създаващи арабски гласови продукти, уловката е достъпът: днес моделът работи единствено като хоствана демонстрация.

Накратко

• Размер: 1,6 млрд. параметъра. Максимален аудиоконтекст: не е оповестен (демонстрацията приема клипове до 60 секунди и 20 MB).
• Работи на: не е оповестено. Не са публикувани тегла или квантизирани варианти. Достъпът е чрез демонстрация в Hugging Face, като са планирани API и нативни приложения.
• Производителност: най-нисък WER за арабски и емирски в собствените сравнения на TII, със стабилни резултати на английски.
• Най-добър резултат: 20,92% среден арабски WER, с 2,25 пункта по-нисък от Audar-ASR-V1-Turbo (23,17%).
• Най-слаб резултат: 11,86% WER на Earnings-22, най-слабия му тестов набор на английски.
• Извод (най-добрият): компактен модел с 1,6 млрд. параметъра, който изпреварва по-големи арабски системи в тестовете на TII.
• Извод (най-лошият): все още няма тегла, лиценз или API, а всички резултати са самостоятелно докладвани.

Какво представлява Falcon-ASR?

Falcon-ASR е модел за преобразуване на реч в текст от TII, който преобразува говорим арабски и още 4 езика в текст. И петте езика споделят един набор от тегла. Моделът не се нуждае от флаг за езика и извежда текст на езика, на който се говори. Той също така връща времеви маркери на ниво дума, свързващи всяка дума с позицията ѝ в аудиото. Това е важно за субтитри, търсене в записи и бележки от срещи.

Как Falcon-ASR обработва арабските диалекти?

Диалектният арабски разполага с много по-малко транскрибирани ресурси в сравнение със съвременния стандартен арабски (MSA). TII е обучил Falcon-ASR върху емирски, MSA, други заливни и арабски диалекти, както и английски. Целта е разпознаване на ежедневна реч, включително диалектни форми и превключване между езици.

Аудиозаписите за обучение са били обогатени с фонов шум, припокриваща се реч, музика, реверберация на помещението и ефекти от телефония. Скоростта и височината на тона също са били променяни. Същата обработка е приложена и към емирските записи.

Моделът се основава на работата на TII върху Falcon3-Audio. Това изследване описва аудиоезикови модели, изградени върху LLM, настроени чрез инструкции, и енкодери Whisper, обучени върху по-малко от 30 хил. часа публично аудио. Нашият редакционен и технически екип в Marktechpost не успя да открие публикувани точната архитектура или размера на обучаващите данни на Falcon-ASR.

Как се представя Falcon-ASR на арабските бенчмаркове?

TII е следвал протокола на Open Universal Arabic ASR Leaderboard, поддържана от ELM Research Center. Тя класира системите според среднопретегления с равни тегла WER в 6 тестови набора. TII е използвал фиксираните манифести на класацията. Данните за конкурентите са публикувани средни стойности от класацията, проверени на 30 септември 2026 г.

Модел	Параметри	Среден WER (%)	Среден CER (%)
Falcon-ASR	1,6B	20,92	8,79
Audar-ASR-V1-Turbo	2,35B	23,17	9,23
Cohere Transcribe Arabic (07-2026)	2,0B	25,87	11,80
omniASR LLM 7B	7,0B	28,32	12,52

По-ниската стойност е по-добра. Имайте предвид, че стойността за Falcon-ASR е от собствен тест на TII, а не от участие в класацията. Картата на модела Audar посочва собствен среден CER от 9,20%.

Как се представя Falcon-ASR при емирска реч?

TII е създал вътрешен емирски и заливен тестов набор от отделени записи с транскрипции, потвърдени от хора. Той допълва подсета за ОАЕ от публичния набор от данни Casablanca.

Модел	Параметри	WER (%)	CER (%)
Falcon-ASR	1,6B	22,73	10,19
Qwen3-Omni-30B-A3B-Instruct	30B (3B активни)	26,80	12,72
Audar-ASR-V1-Turbo	2,35B	27,89	13,75
Cohere Transcribe Arabic	2,0B	31,05	18,07
Qwen3-ASR-1.7B	2,0B	31,52	13,35
Audar-ASR-V1-Flash	0,78B	32,87	15,36

Falcon-ASR води с 4,07 пункта WER пред Qwen3-Omni. Този тестов набор е частен и не може да бъде възпроизведен. Audar отчита 19,4% WER върху различен емирски набор (Mixat), така че резултатите не са пряко сравними.

Колко добър е Falcon-ASR на английски?

В 7-те английски тестови набора, използвани от Hugging Face Open ASR Leaderboard, TII отчита среден WER от 5,74%. Резултатите за отделните набори варират от 1,75% при LibriSpeech clean до 11,86% при Earnings-22. За сравнение, Qwen3-ASR-1.7B посочва среден WER от 5,76% в тази класация. Френският, испанският и португалският се поддържат, но TII не е публикувал резултати за тях.

Сравнение: Falcon-ASR спрямо най-близките арабски ASR модели

Функция	Falcon-ASR	Audar-ASR-V1-Turbo	Cohere Transcribe Arabic	Qwen3-ASR-1.7B
Организация	TII (ОАЕ)	AudarAI	Cohere	Alibaba Qwen
Параметри	1,6B	2,35B	2B	1,7B (2B в картата на HF)
Архитектура	Изградена върху Falcon3-Audio	Аудио енкодер + LM декодер	FastConformer енкодер + Transformer декодер	Изградена върху Qwen3-Omni
Лиценз	Не е оповестен	AudarAI Community License v1.0	Apache 2.0	Apache 2.0
Отворени тегла	Не	Да (BF16, GGUF, W4A16)	Да	Да
Езици	5 (арабски, включително емирски, EN, FR, ES, PT)	30 (с приоритет върху арабския)	Арабски, английски	30 езика + 22 китайски диалекта
Среден арабски WER (6 набора)	20,92 (оценка на TII)	23,17	25,87	33,36 (класация)
Среден арабски CER	8,79 (оценка на TII)	9,20	11,80	12,33
Емирски WER според TII	22,73	27,89	31,05	31,52
Среден WER на английски (набори Open ASR)	5,74 (оценка на TII)	Не е оповестен	Не е оповестен	5,76
Времеви маркери	На ниво дума	Не е оповестено	Не е оповестено	Чрез Qwen3-ForcedAligner-0.6B
Работи на	Не е оповестено (хоствана демонстрация)	CPU, GPU, периферни устройства чрез GGUF; W4A16 на GPU с 12 GB+	Не е оповестено	GPU чрез Transformers или vLLM
Достъп	HF демонстрация; API е планиран	Тегла + Audar API	Тегла + Cohere API	Тегла + DashScope API

Източници: Данните за Falcon-ASR са от блога на TII. Данните за Audar, Cohere и Qwen в класацията са от класацията на ELM, възпроизведена в картата на Audar. Емирският WER за всички модели е от вътрешната оценка на TII.

Основни изводи

• Falcon-ASR е арабски ориентиран модел за реч с 1,6 млрд. параметъра от TII, фокусиран върху емирския диалект.
• Той отчита среден арабски WER от 20,92%, с 2,25 пункта пред Audar-ASR-V1-Turbo.
• В емирския набор на TII той изпреварва 30B модела Qwen3-Omni с 4,07 пункта WER.
• Един набор от тегла покрива 5 езика, с времеви маркери на ниво дума.
• Все още няма тегла, лиценз или API: изпробвайте го чрез демонстрацията с продължителност 60 секунди.

---

Разгледайте блога за Falcon-ASR, статията за Falcon3-Audio и изпробвайте демонстрацията. Също така не се колебайте да ни последвате в Twitter и не забравяйте да се присъедините към нашия 150k+ ML SubReddit и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и там.