Falcon ASR: arabski model rozpoznawania mowy od TII bije rekordy dokładności przy 1,6 mld parametrów
W skrócie
- Technology Innovation Institute z Abu Dhabi zaprezentował Falcon ASR — model rozpoznawania mowy o 1,6 miliarda parametrów, który osiągnął średni wskaźnik błędu słownego (WER) na poziomie 20,92% dla języka arabskiego, wyprzedzając dotychczasowego lidera o 2,25 punktu procentowego.
- Model obsługuje arabski (ze szczególnym uwzględnieniem dialektu emirackiego), angielski, francuski, hiszpański i portugalski — wszystkie języki korzystają z tych samych wag bez konieczności podawania flagi językowej.
- Dla języka angielskiego Falcon ASR uzyskał średni WER wynoszący 5,74% na siedmiu publicznych zbiorach testowych, a demo modelu jest już dostępne na platformie Hugging Face.
Technology Innovation Institute (TII) z Abu Dhabi opublikował Falcon ASR — model automatycznego rozpoznawania mowy liczący 1,6 miliarda parametrów, zaprojektowany przede wszystkim z myślą o języku arabskim i dialekcie emirackim huggingface.co.
Model jest dostępny na platformie Hugging Face, gdzie można go przetestować w interaktywnym demo.
Wyniki na tle konkurencji
Falcon ASR został oceniony zgodnie z protokołem Open Universal Arabic ASR Leaderboard, prowadzonego przez ELM Research Center. Ranking opiera się na równoważonej średniej wskaźnika błędu słownego (WER) z sześciu zbiorów testowych — im niższa wartość, tym lepszy wynik huggingface.co.
W migawce wyników sprawdzonej 30 września 2026 roku Falcon ASR osiągnął średni WER na poziomie 20,92% i średni wskaźnik błędu znakowego (CER) wynoszący 8,79%, wyprzedzając dotychczasowego lidera o 2,25 punktu procentowego huggingface.co:
| Model | Parametry | Średni WER (%) | Średni CER (%) | |---|---|---|---| | Falcon-ASR | 1,6 mld | 20,92 | 8,79 | | Audar-ASR-V1-Turbo | 2,35 mld | 23,17 | 9,23 | | Cohere Transcribe Arabic (07-2026) | 2,0 mld | 25,87 | 11,80 | | omniASR LLM 7B | 7,0 mld | 28,32 | 12,52 |
Co istotne, Falcon ASR osiąga te wyniki przy znacznie mniejszej liczbie parametrów niż konkurenci — model omniASR LLM, który zajmuje ostatnie miejsce w zestawieniu, ma aż 7 miliardów parametrów, czyli ponad czterokrotnie więcej huggingface.co.
Dialekt emiracki — wewnętrzna ocena TII
Rozpoznawanie arabskich dialektów stanowi szczególne wyzwanie: dostępnych jest znacznie mniej transkrybowanych zasobów niż dla Nowoczesnego Arabskiego Standardowego (MSA), co utrudnia zarówno trening, jak i ocenę modeli huggingface.co.
TII przeprowadziło własną, wewnętrzną ewaluację na nagraniach emirackich i z rejonu Zatoki Perskiej, korzystając z nagrań wyłączonych ze zbioru treningowego oraz transkryptów zweryfikowanych przez ludzi huggingface.co.
W tej ocenie Falcon ASR uzyskał WER wynoszący 22,73% i CER na poziomie 10,19%, osiągając najlepszy wynik spośród wszystkich porównywanych systemów. Dla porównania, drugi w zestawieniu model Qwen3-Omni-30B-A3B-Instruct (30 mld parametrów, z czego aktywne 3 mld) uzyskał WER 26,80% — o 4,07 punktu procentowego gorszy huggingface.co.
Trening w trudnych warunkach akustycznych
Twórcy modelu zadbali o odporność na różnorodne warunki nagraniowe. Dane treningowe obejmowały nagrania z szumem tła, nakładającą się mową, muzyką, pogłosem pomieszczenia oraz efektami telefonicznymi, a także warianty z różną prędkością i wysokością głosu. Ten sam zestaw warunków zastosowano do nagrań emirackich, przygotowując model do pracy w środowiskach takich jak spotkania, rozmowy telefoniczne i codzienne nagrania huggingface.co.
Angielski i inne języki
Falcon ASR obsługuje również angielski, francuski, hiszpański i portugalski — wszystkie pięć języków korzysta z tych samych wag modelu, bez konieczności podawania flagi językowej. Model samodzielnie rozpoznaje język i zwraca transkrypt w odpowiednim języku huggingface.co.
Dla angielskiego, ocenianego na siedmiu publicznych zbiorach testowych stosowanych przez Hugging Face Open ASR Leaderboard, model uzyskał średni WER wynoszący 5,74% huggingface.co:
| Zbiór testowy | WER (%) | |---|---| | LibriSpeech clean | 1,75 | | LibriSpeech other | 4,21 | | SPGISpeech | 2,02 | | VoxPopuli | 3,87 | | GigaSpeech | 8,15 | | AMI | 8,33 | | Earnings-22 | 11,86 |
Funkcje i podstawa architektoniczna
Model wspiera znaczniki czasowe na poziomie słów, przypisując każde transkrybowane słowo do jego pozycji w nagraniu audio huggingface.co.
Falcon ASR bazuje na wcześniejszym projekcie TII — Falcon3-Audio, którego architektura i podejście do treningu zostały opisane w pracy naukowej „Competitive Audio-Language Models with Data-Efficient Single-Stage Training on Public Data" huggingface.co.
Dostęp przez API oraz natywne aplikacje są planowane. Aktualnie model można przetestować w demo na Hugging Face huggingface.co.
Co to oznacza
Falcon ASR to kolejny sygnał, że czołowe laboratoria AI spoza Stanów Zjednoczonych i Europy — w tym przypadku z Abu Dhabi — są w stanie tworzyć modele nie tylko dorównujące zachodniej konkurencji, ale ją przewyższające w wybranych domenach. Szczególnie istotna jest tu efektywność parametryczna: model o 1,6 miliarda parametrów bije systemy dwu- i czterokrotnie większe, co ma bezpośrednie przełożenie na koszty wdrożenia i wymagania sprzętowe.
Dla rynku europejskiego i polskiego kluczowe znaczenie ma fakt, że model obsługuje języki inne niż arabski — w tym angielski, francuski, hiszpański i portugalski — przy użyciu tych samych wag. Otwiera to drogę do zastosowań wielojęzycznych bez konieczności utrzymywania oddzielnych modeli dla każdego języka. Choć polskiego w zestawieniu nie ma, architektura i podejście treningowe TII mogą stanowić punkt odniesienia dla twórców modeli ASR w innych językach o ograniczonych zasobach.
Warto też zwrócić uwagę na kontekst dialektyczny: arabski jest językiem o wyjątkowo dużym zróżnicowaniu regionalnym, a skuteczne radzenie sobie z dialektem emirackim przy jednoczesnym zachowaniu wysokiej jakości dla MSA to problem analogiczny do wyzwań, jakie napotykają modele obsługujące języki z silnymi wariantami regionalnymi — w tym wiele języków europejskich. Doświadczenia TII w tej dziedzinie mogą być inspiracją dla podobnych projektów na innych rynkach.
Szerszy kontekst
Technology Innovation Institute wydał Falcon-ASR, model rozpoznawania mowy o 1,6 miliarda parametrów, zbudowany z szczególnym naciskiem na arabski emiracki, a jednocześnie obejmujący arabski standardowy nowoczesny, inne dialekty arabskie, angielski, francuski, hiszpański i portugalski.
Falcon-ASR ma najniższe WER i CER spośród porównywanych systemów. Jego WER jest o 4,07 punktu procentowego niższy niż u Qwen3-Omni, czyli kolejnego najlepszego wyniku.
Falcon-ASR, kompaktowy model rozpoznawania mowy o 1,6 mld parametrów, który ustanawia nowe rekordy dokładności dla języka arabskiego — zwłaszcza emirackiego.
Falcon-ASR to model rozpoznawania mowy o 1,6 mld parametrów … z naciskiem na arabski, zwłaszcza dialekty emirackie, a jednocześnie rozpoznający angielski,
Przedstawiamy Falcon-ASR, nasz model rozpoznawania mowy o 1,6 miliarda parametrów dla języka arabskiego, z szczególnym naciskiem na dialekt emiracki.
Analiza
Najważniejszy wniosek jest taki, że przewaga Falcon ASR wynika przede wszystkim z efektywności parametrycznej. Model o 1,6 mld parametrów wyprzedza konkurentów o 2 mld i 7 mld parametrów, co obniża koszt wdrożenia i wymagania sprzętowe. Zasadnicze zastrzeżenie dotyczy jednak wiarygodności wyników. Według aipolix.com wynik dla dialektu emirackiego (WER 22,73%) pochodzi z wewnętrznej oceny TII, a nie z niezależnego rankingu, i nie powinien być traktowany jako uniwersalny benchmark. Ranking Open Universal Arabic ASR Leaderboard jest bardziej wiarygodny, ale i tu wyniki są raportowane przez samego wydawcę, na migawce z 30 września 2026 roku.
Warto też zwrócić uwagę na to, czego artykuł nie pokazuje. Według huggingface.co, w tabeli dla dialektu emirackiego znajduje się sześć modeli, a nie dwa, jak w artykule. Ten sam Audar-ASR-V1-Turbo ma tam WER 27,89%, podczas gdy w rankingu opartym na sześciu zbiorach testowych ma 23,17%. Różnica wynika z zastosowania innych zbiorów testowych, więc wyniki z dwóch ocen nie są bezpośrednio porównywalne. Dla czytelnika to ważny sygnał: przewaga w każdej z tych tabel jest prawdziwa tylko w ramach danej metody pomiaru. Pozostałe źródła (aigpu.cloud, youtube.com, syncai.news) nie wnoszą tu nic ponad to, co zawiera artykuł, bo powtarzają opis wydawcy lub zawierają skrócone fragmenty tego samego komunikatu.
Dla polskiego rynku najbardziej praktyczne jest to, że model obsługuje angielski, francuski, hiszpański i portugalski przy użyciu tych samych wag, bez flagi językowej. Polskiego w zestawieniu nie ma, więc bezpośrednie zastosowanie jest ograniczone. Doświadczenia TII z dialektem, czyli z odmianą o mniejszej liczbie transkrybowanych danych, mogą być jednak punktem odniesienia dla zespołów pracujących nad językami o ograniczonych zasobach, w tym nad polskimi gwarami czy regionalnymi odmianami mowy potocznej.