TII представила Falcon-ASR: арабська модель розпізнавання мовлення на 1,6 млрд параметрів досягла WER 20,92%
Інститут технологічних інновацій (TII) в Абу-Дабі випустив Falcon-ASR — модель розпізнавання арабського мовлення з 1,6 млрд параметрів. Вона орієнтована на еміратський діалект, а також транскрибує англійську, французьку, іспанську та португальську мови. За оцінкою TII, середній показник помилок у словах (WER) Falcon-ASR на 6 тестових наборах арабської мови становить 20,92%. Це на 2,25 пункта краще за найкращий опублікований результат у знімку таблиці лідерів TII. Для розробників, які створюють арабомовні голосові продукти, є один нюанс: доступ поки що обмежений — сьогодні модель працює лише як розміщена демоверсія.
Коротко
- Розмір: 1,6 млрд параметрів. Максимальний аудіоконтекст: не розкрито (демоверсія приймає фрагменти тривалістю до 60 секунд і розміром до 20 МБ).
- Працює на: не розкрито. Ваги або квантизовані варіанти не опубліковані. Доступна демоверсія на Hugging Face, API та нативні застосунки плануються.
- Продуктивність: найнижчі показники WER для арабської та еміратської мов у власних порівняннях TII, а також стабільні результати для англійської.
- Найкращий результат: середній WER арабської мови — 20,92%, на 2,25 пункта нижче, ніж у Audar-ASR-V1-Turbo (23,17%).
- Найгірший результат: WER 11,86% на Earnings-22 — найслабшому англомовному тестовому наборі.
- Підсумок (найкращий): компактна модель із 1,6 млрд параметрів, яка випереджає більші арабомовні системи у тестах TII.
- Підсумок (найгірший): немає ваг, ліцензії чи API, а всі показники заявлені самою компанією.
Що таке Falcon-ASR?
Falcon-ASR — модель перетворення мовлення на текст від TII, яка перетворює усну арабську та ще 4 мови на текст. Усі 5 мов використовують один набір ваг. Моделі не потрібен прапорець мови: вона виводить текст тією мовою, якою говорять. Вона також повертає часові мітки на рівні слів, пов’язуючи кожне слово з його позицією в аудіо. Це важливо для створення субтитрів, пошуку в записах і ведення протоколів зустрічей.
Як Falcon-ASR працює з арабськими діалектами?
Діалектна арабська має значно менше транскрибованих ресурсів, ніж сучасна стандартна арабська (MSA). TII навчав Falcon-ASR на еміратській, MSA, інших мовах і діалектах країн Перської затоки, а також англійській. Мета — повсякденне мовлення, включно з діалектними формами та перемиканням між мовами.
Навчальні аудіозаписи доповнювалися фоновим шумом, накладанням мовлення, музикою, реверберацією приміщень і ефектами телефонного зв’язку. Також змінювалися швидкість і висота тону. Такий самий підхід застосували до еміратських записів.
Модель базується на дослідженні Falcon3-Audio від TII. У цій роботі описано аудіомовні моделі, створені на основі LLM, донавчених за інструкціями, та кодерів Whisper, які навчалися на менш ніж 30 тис. годин загальнодоступного аудіо. Наші редакційна й технічна команди в Marktechpost не змогли знайти опубліковану інформацію про точну архітектуру Falcon-ASR або обсяг навчальних даних.
Які результати Falcon-ASR показує на арабомовних бенчмарках?
TII дотримувалася протоколу Open Universal Arabic ASR Leaderboard, яку веде ELM Research Center. Вона ранжує системи за середнім WER із однаковою вагою для 6 тестових наборів. TII використала зафіксовані маніфести таблиці лідерів. Показники конкурентів — опубліковані середні значення таблиці лідерів, перевірені 30 вересня 2026 року.
| Модель | Параметри | Середній WER (%) | Середній 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 |
Менше — краще. Зверніть увагу, що показник Falcon-ASR є результатом власного запуску TII, а не записом у таблиці лідерів. У картці моделі Audar її власний середній CER зазначено як 9,20%.
Наскільки добре Falcon-ASR розпізнає еміратське мовлення?
TII створила внутрішній тестовий набір еміратського мовлення та мовлення країн Перської затоки на основі відкладених записів із транскрипціями, перевіреними людьми. Він доповнює еміратську підмножину загальнодоступного набору даних Casablanca.
| Модель | Параметри | WER (%) | CER (%) |
|---|---|---|---|
| Falcon-ASR | 1,6 млрд | 22,73 | 10,19 |
| Qwen3-Omni-30B-A3B-Instruct | 30 млрд (3 млрд активних) | 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 випереджає Qwen3-Omni на 4,07 пункта WER. Цей тестовий набір є приватним, тому відтворити результат неможливо. Audar повідомляє про WER 19,4% на іншому еміратському наборі (Mixat), тому ці показники безпосередньо порівнювати не можна.
Наскільки добре Falcon-ASR працює з англійською?
На 7 англомовних тестових наборах, використаних Hugging Face Open ASR Leaderboard, TII повідомляє про середній WER 5,74%. Показники для окремих наборів варіюються від 1,75% на LibriSpeech clean до 11,86% на Earnings-22. Для порівняння, Qwen3-ASR-1.7B зазначає середній WER 5,76% у цій таблиці лідерів. Французька, іспанська та португальська підтримуються, але TII не опублікувала показників для них.
Порівняння: Falcon-ASR проти найближчих арабомовних моделей ASR
| Характеристика | Falcon-ASR | Audar-ASR-V1-Turbo | Cohere Transcribe Arabic | Qwen3-ASR-1.7B |
|---|---|---|---|---|
| Організація | TII (ОАЕ) | AudarAI | Cohere | Alibaba Qwen |
| Параметри | 1,6 млрд | 2,35 млрд | 2 млрд | 1,7 млрд (2 млрд у картці HF) |
| Архітектура | Базується на Falcon3-Audio | Аудіокодер + декодер LM | Кодер FastConformer + декодер Transformer | Створена на основі Qwen3-Omni |
| Ліцензія | Не розкрито | AudarAI Community License v1.0 | Apache 2.0 | Apache 2.0 |
| Відкриті ваги | Ні | Так (BF16, GGUF, W4A16) | Так | Так |
| Мови | 5 (арабська, включно з еміратською, EN, FR, ES, PT) | 30 (орієнтована на арабську) | Арабська, англійська | 30 мов + 22 китайські діалекти |
| Середній WER арабської (6 наборів) | 20,92 (оцінка TII) | 23,17 | 25,87 | 33,36 (таблиця лідерів) |
| Середній CER арабської | 8,79 (оцінка TII) | 9,20 | 11,80 | 12,33 |
| WER еміратської за оцінкою TII | 22,73 | 27,89 | 31,05 | 31,52 |
| Середній WER англійської (набори Open ASR) | 5,74 (оцінка TII) | Не розкрито | Не розкрито | 5,76 |
| Часові мітки | На рівні слів | Не розкрито | Не розкрито | Через Qwen3-ForcedAligner-0.6B |
| Працює на | Не розкрито (розміщена демоверсія) | CPU, GPU, периферійні пристрої через GGUF; W4A16 на GPU з 12 ГБ+ пам’яті | Не розкрито | GPU через Transformers або vLLM |
| Доступ | Демоверсія HF; API планується | Ваги + API Audar | Ваги + API Cohere | Ваги + API DashScope |
Джерела: Показники Falcon-ASR взято з блогу TII. Показники Audar, Cohere і Qwen із таблиці лідерів — із відтворення таблиці ELM у картці Audar. WER еміратської мови для всіх моделей взято з внутрішньої оцінки TII.
Основні висновки
- Falcon-ASR — арабомовна модель розпізнавання мовлення з 1,6 млрд параметрів від TII, орієнтована на еміратську мову.
- Вона демонструє середній WER арабської мови 20,92%, випереджаючи Audar-ASR-V1-Turbo на 2,25 пункта.
- На еміратському наборі TII вона випереджає Qwen3-Omni з 30 млрд параметрів на 4,07 пункта WER.
- 1 набір ваг охоплює 5 мов і підтримує часові мітки на рівні слів.
- Ваг, ліцензії чи API поки немає: протестувати модель можна через демоверсію тривалістю 60 секунд.
Ознайомтеся з блогом Falcon-ASR, статтею про Falcon3-Audio та випробуйте демоверсію. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого субреддіту ML із понад 150 тисячами учасників та підписатися на нашу розсилку. Стривайте! Ви користуєтеся Telegram? Тепер ви також можете приєднатися до нас у Telegram.
Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.