مؤسسه نوآوری فناوری (TII) در ابوظبی مدل تشخیص گفتار Falcon-ASR را منتشر کرد: یک مدل ۱.۶ میلیارد پارامتری که تمرکز اصلی‌اش روی لهجه اماراتی عربی است و علاوه بر آن انگلیسی، فرانسوی، اسپانیایی و پرتغالی را هم پیاده‌سازی می‌کند. تمام این پنج زبان از یک مجموعه وزن مشترک استفاده می‌کنند و مدل بدون نیاز به پرچم زبان، متن را به همان زبان گفتار تولید می‌کند. خروجی شامل timestamp سطح کلمه هم هست.

عملکرد در ارزیابی‌های TII#

در شش مجموعه آزمایش عربی (بر اساس پروتکل Open Universal Arabic ASR Leaderboard)، Falcon-ASR میانگین WER برابر ۲۰.۹۲٪ و CER برابر ۸.۷۹٪ به دست آورده. این عدد ۲.۲۵ امتیاز از Audar-ASR-V1-Turbo (۲۳.۱۷٪ WER، ۲.۳۵B پارامتر) بهتر است. در مجموعه آزمایش اماراتیِ داخلی TII، این مدل با ۲۲.۷۳٪ WER از Qwen3-Omni-30B-A3B (۲۶.۸۰٪) جلوتر قرار گرفته — یعنی ۴.۰۷ امتیاز برتری نسبت به مدلی که ۱۹ برابر بیشتر پارامتر دارد. در انگلیسی، میانگین WER روی هفت مجموعه آزمایشی Open ASR Leaderboard برابر ۵.۷۴٪ گزارش شده است.

محدودیت‌های دسترسی#

نکته‌ای که خبر را برای توسعه‌دهندگان محصول صوتی عربی‌زبان محدود می‌کند، نحوه دسترسی است:

  • وزن مدل، نسخه quantized یا لایسنس منتشر نشده.
  • فقط یک دموی میزبان در Hugging Face فعال است؛ سقف ورودی ۶۰ ثانیه و ۲۰ مگابایت.
  • API و اپلیکیشن نیتیو «در برنامه» اعلام شده ولی تاریخ مشخصی ندارد.
  • معماری دقیق و حجم داده آموزش منتشر نشده. مدل بر پایه کار قبلی Falcon3-Audio ساخته شده.
  • تمام اعداد عملکرد، خودگزارش‌شده (self-reported) هستند و در لیدربورد عمومی ثبت نشده‌اند.

این خبر برای سازندگان ایجنت صوتی عربی یعنی چه#

اگر روی محصولی کار می‌کنید که نیاز به تبدیل گفتار عربی (به‌ویژه لهجه خلیجی) به متن دارد، Falcon-ASR فعلاً قابل استفاده عملی نیست. نبود وزن، نبود API و سقف ۶۰ ثانیه‌ی دمو یعنی نمی‌توانید آن را در پایپ‌لاین واقعی قرار دهید. برتری ۲.۲۵ امتیازی WER هم تا وقتی خودگزارش‌شده و بازتولیدناپذیر است، ارزش قطعی ندارد. آنچه ارزش توجه دارد، طراحی معماری است: یک مدل ۱.۶B که در لهجه‌ای با منابع بسیار محدود، از مدل‌های ۷B و ۳۰B جلوتر می‌زند. اگر TII بعداً وزن یا API منتشر کند، این عدد می‌تواند جالب شود — ولی امروز فقط یک سیگنال است، نه یک ابزار.

منبع: MarkTechPost