TII выпустил Falcon-ASR: арабская модель распознавания речи на 1,6 млрд параметров достигла WER 20,92%

Институт технологических инноваций (TII) в Абу-Даби выпустил Falcon-ASR — модель распознавания арабской речи с 1,6 млрд параметров. Она ориентирована на эмиратский диалект, а также транскрибирует английский, французский, испанский и португальский языки. В оценке TII Falcon-ASR показывает средний показатель ошибок на словах (WER) 20,92% на 6 арабских тестовых наборах. Это на 2,25 пункта лучше результата лидера среди опубликованных моделей в снимке рейтинга TII. Для разработчиков, создающих голосовые продукты на арабском языке, есть ограничение: на сегодняшний день модель работает только в виде размещённой демонстрации.

Кратко

• Размер: 1,6 млрд параметров. Максимальный аудиоконтекст: не раскрывается (демонстрация принимает фрагменты длительностью до 60 секунд и размером до 20 МБ).
• Запускается на: не раскрывается. Веса и квантованные варианты не опубликованы. Доступ предоставляется через демонстрацию на Hugging Face; API и нативные приложения планируются.
• Производительность: самый низкий WER для арабского и эмиратского языков в собственных сравнениях TII, а также стабильные результаты для английского.
• Лучший результат: средний WER для арабского языка — 20,92%, что на 2,25 пункта ниже, чем у Audar-ASR-V1-Turbo (23,17%).
• Худший результат: WER 11,86% на Earnings-22 — худшем тестовом наборе для английского языка.
• Итог (лучший сценарий): компактная модель с 1,6 млрд параметров, опережающая более крупные арабские системы в тестах TII.
• Итог (худший сценарий): веса, лицензия и API пока отсутствуют, а все показатели предоставлены самой компанией.

Что такое Falcon-ASR?

Falcon-ASR — модель преобразования речи в текст от TII, которая преобразует устную арабскую речь и речь ещё на 4 языках в текст. Все 5 языков используют один набор весов. Модели не требуется указывать язык: она выводит текст на языке, на котором ведётся речь. Она также возвращает временные метки на уровне слов, связывая каждое слово с его позицией в аудиозаписи. Это важно для создания субтитров, поиска по записям и подготовки заметок встреч.

Как Falcon-ASR работает с арабскими диалектами?

Для диалектного арабского языка доступно гораздо меньше транскрибированных ресурсов, чем для современного литературного арабского языка (MSA). TII обучил Falcon-ASR на эмиратском, литературном арабском, других языках и диалектах стран Персидского залива, а также английском языке. Цель модели — обработка повседневной речи, включая диалектные формы и переключение между языками.

Обучающие аудиозаписи были дополнены фоновым шумом, перекрывающейся речью, музыкой, реверберацией помещения и эффектами телефонной связи. Также изменялись скорость и высота тона. Такая же обработка применялась к эмиратским записям.

Модель создана на основе исследования Falcon3-Audio от TII. В этой работе описываются аудиоязыковые модели, построенные на больших языковых моделях с дообучением по инструкциям и кодировщиках Whisper, обученных на менее чем 30 тыс. часов общедоступных аудиоданных. Наша редакционная и техническая команда в Marktechpost не смогла найти опубликованные точные сведения об архитектуре Falcon-ASR или размере обучающих данных.

Как Falcon-ASR показывает себя на арабских тестах?

TII придерживался протокола Open Universal Arabic ASR Leaderboard, который ведёт ELM Research Center. В нём системы ранжируются по среднему WER на 6 тестовых наборах с одинаковыми весами. TII использовал зафиксированные манифесты рейтинга. Показатели конкурентов — опубликованные средние значения рейтинга, проверенные 30 сентября 2026 года.

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

Чем ниже показатель, тем лучше. Обратите внимание, что значение Falcon-ASR получено в собственном тестировании TII, а не является результатом из рейтинга. В карточке модели Audar указано собственное среднее значение CER — 9,20%.

Как Falcon-ASR распознаёт эмиратскую речь?

TII создал внутренний тестовый набор эмиратской речи и речи стран Персидского залива на основе отложенных записей с расшифровками, проверенными людьми. Он дополняет эмиратскую подвыборку общедоступного набора данных Casablanca.

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

Falcon-ASR опережает Qwen3-Omni на 4,07 процентного пункта WER. Этот тестовый набор является закрытым, поэтому воспроизвести результаты невозможно. Audar сообщает о WER 19,4% на другом эмиратском наборе (Mixat), поэтому эти показатели нельзя напрямую сравнивать.

Насколько хорошо Falcon-ASR распознаёт английскую речь?

На 7 английских тестовых наборах, используемых Hugging Face Open ASR Leaderboard, TII сообщает о среднем WER 5,74%. Показатели для отдельных наборов варьируются от 1,75% на LibriSpeech clean до 11,86% на Earnings-22. Для сравнения, в описании Qwen3-ASR-1.7B указано среднее значение WER 5,76% на этом рейтинге. Поддерживаются французский, испанский и португальский языки, однако TII не опубликовал для них показатели.

Сравнение: Falcon-ASR и ближайшие арабские модели распознавания речи

Характеристика	Falcon-ASR	Audar-ASR-V1-Turbo	Cohere Transcribe Arabic	Qwen3-ASR-1.7B
Организация	TII (ОАЭ)	AudarAI	Cohere	Alibaba Qwen
Параметры	1,6 млрд	2,35 млрд	2 млрд	1,7 млрд (2 млрд в карточке на HF)
Архитектура	Создана на основе Falcon3-Audio	Аудиокодировщик + декодер языковой модели	Кодировщик FastConformer + декодер Transformer	Создана на основе Qwen3-Omni
Лицензия	Не раскрывается	AudarAI Community License v1.0	Apache 2.0	Apache 2.0
Открытые веса	Нет	Да (BF16, GGUF, W4A16)	Да	Да
Языки	5 (арабский, включая эмиратский, EN, FR, ES, PT)	30 (ориентирована прежде всего на арабский)	Арабский, английский	30 языков + 22 китайских диалекта
Средний WER для арабского (6 наборов)	20,92 (оценка TII)	23,17	25,87	33,36 (рейтинг)
Средний CER для арабского	8,79 (оценка TII)	9,20	11,80	12,33
WER для эмиратского языка по версии TII	22,73	27,89	31,05	31,52
Средний WER для английского (наборы Open ASR)	5,74 (оценка TII)	Не раскрывается	Не раскрывается	5,76
Временные метки	На уровне слов	Не раскрывается	Не раскрывается	Через Qwen3-ForcedAligner-0.6B
Запускается на	Не раскрывается (размещённая демонстрация)	CPU, GPU, периферийные устройства через GGUF; W4A16 на GPU с объёмом памяти от 12 ГБ	Не раскрывается	GPU через Transformers или vLLM
Доступ	Демонстрация HF; API планируется	Веса + API Audar	Веса + API Cohere	Веса + API DashScope

Источники: показатели Falcon-ASR взяты из блога TII. Показатели Audar, Cohere и Qwen в рейтинге взяты из рейтинга ELM, воспроизведённого в карточке Audar. WER для эмиратского языка всех моделей взят из внутренней оценки TII.

Основные выводы

• Falcon-ASR — модель распознавания речи с 1,6 млрд параметров от TII, ориентированная прежде всего на арабский язык и эмиратский диалект.
• Она показывает средний WER для арабского языка 20,92%, опережая Audar-ASR-V1-Turbo на 2,25 пункта.
• На эмиратском тестовом наборе TII она опережает Qwen3-Omni с 30 млрд параметров на 4,07 процентного пункта WER.
• Один набор весов поддерживает 5 языков и временные метки на уровне слов.
• Веса, лицензия и API пока отсутствуют: протестировать модель можно через демонстрацию длительностью 60 секунд.

---

Ознакомьтесь с блогом Falcon-ASR, статьёй о Falcon3-Audio и попробуйте демонстрацию. Также подписывайтесь на нас в Twitter и не забудьте присоединиться к нашему сабреддиту о машинном обучении с аудиторией более 150 тыс. пользователей и подписаться на нашу рассылку. Подождите! Вы есть в Telegram? теперь вы также можете присоединиться к нам в Telegram.