Falcon ASR: открытая модель для арабской речи и пяти языков
Распознавание арабской речи часто ломается не на новостной дикции, а на звонке, местном диалекте или разговоре, где смешаны языки. Институт технологических инноваций ОАЭ (TII) представил открытую модель Falcon-ASR, рассчитанную именно на такой сценарий: помимо литературного арабского она обучалась на эмиратской и других диалектных разновидностях.
У модели 1,6 млрд параметров. Она умеет расшифровывать арабский, английский, французский, испанский и португальский одними весами — без отдельного переключателя языка. В расшифровке доступны временные метки на уровне слов: это полезно для субтитров, поиска по записи и проверки длинных интервью.
В анонсе TII на Hugging Face заявляет средний показатель WER (word error rate, доля ошибочно распознанных слов) 20,92% на шести арабских тестовых наборах. Чем ниже WER, тем лучше. По данным разработчиков, это на 2,25 процентного пункта ниже лучшего опубликованного результата в их снимке лидерборда от 30 сентября. Это сравнение стоит читать именно как результат авторской оценки, а не как независимый общий рейтинг.
График: TII / Falcon-ASR.
Диалект важнее красивой цифры
Отдельно TII проверял модель на эмиратской речи: там Falcon-ASR показал WER 22,73% и CER 10,19%. В обучении добавляли шум, музыку, перекрывающиеся голоса, эхо помещения и телефонные искажения. Такие условия ближе к реальным созвонам, чем чистые студийные записи.
У модели есть и более широкий практический смысл. Командам, работающим с многоязычными записями, не придётся сначала угадывать язык фрагмента или склеивать несколько распознавателей. Но «открытая» модель не отменяет проверку на собственных данных: корпоративные звонки, имена и местный жаргон обычно оказываются сложнее публичных бенчмарков.
Демо Falcon-ASR уже доступно в Hugging Face Space; API и нативные приложения разработчики пока только планируют. Для пользователей это скорее инструмент для тестирования качества и построения собственных пайплайнов, чем готовая замена облачному сервису.
