Technology Innovation Institute (TII) z Abu Zabi prezentuje Falcon-ASR, model rozpoznawania mowy o 1,6 miliarda parametrów, dedykowany głównie językowi arabskiemu, ze szczególnym uwzględnieniem dialektu emirackiego. Model obsługuje także angielski, francuski, hiszpański i portugalski.
Według TII, Falcon-ASR osiąga średni wskaźnik błędów słownych (WER, Word Error Rate) na poziomie 20,92% w sześciu testowych zestawach danych w języku arabskim. Najlepszy opublikowany wynik w rankingu używanym przez instytut wynosi 23,17%. Różnica to 2,25 punktu procentowego.
Wyniki te opierają się na Open Universal Arabic ASR Leaderboard, zarządzanym przez ELM Research Center, który klasyfikuje systemy według średniego WER w sześciu zestawach testowych, z równą wagą dla każdego. Ranking wskazuje także wskaźnik błędów na poziomie znaków (CER, Character Error Rate). Dla obu tych wskaźników, im niższa wartość, tym lepszy wynik. Dane konkurentów zostały zweryfikowane, według artykułu, 30 września 2026 roku.
Wewnętrzny test skupiony na dialekcie emirackim
Dane publiczne już obejmują dialekt emiracki, w szczególności podzbiór emiracki Casablanca. TII uzupełnił tę bazę wewnętrzną ewaluacją obejmującą dodatkowe nagrania w dialekcie emirackim i dialektach Zatoki Perskiej, wykorzystując testy nieużywane podczas treningu oraz transkrypcje zweryfikowane przez ludzi.
W tym teście Falcon-ASR osiąga WER na poziomie 22,73% i CER 10,19%, co są najniższymi wartościami wśród porównywanych systemów. Jego WER jest o 4,07 punktu niższy niż modelu Qwen3-Omni, który zajmuje drugie miejsce.
Aby uwzględnić różne warunki nagrań, trening obejmował szum tła, nakładające się wypowiedzi, muzykę, pogłos pomieszczenia i efekty telefoniczne, a także zmiany tempa i wysokości głosu. To samo przetwarzanie zastosowano do nagrań emirackich, aby przygotować model na spotkania, rozmowy telefoniczne i inne codzienne nagrania.
Angielski i inne języki
Falcon-ASR transkrybuje także język angielski z wykorzystaniem tych samych wag modelu. W siedmiu publicznych zestawach testowych języka angielskiego użytych w rankingu Open ASR Leaderboard Hugging Face, średni WER osiągnął 5,74%.
Francuski, hiszpański i portugalski również korzystają z tych samych wag, bez konieczności wcześniejszego wskazywania języka. Wynikiem jest transkrypcja w faktycznie używanym języku. Model może ponadto przypisać każdemu transkrybowanemu słowu jego pozycję w nagraniu audio, dzięki znacznikom czasu na poziomie słowa.
Falcon-ASR opiera się na Falcon3-Audio, którego architektura i metoda treningu są opisane w artykule naukowym. Demonstracja jest dostępna w przestrzeni Hugging Face projektu, a TII informuje, że planowany jest dostęp przez API oraz natywne aplikacje.
