اگر تصور می‌کنید برای رسیدن به دقت بالا در بازشناسی زبان‌های پیچیده، حتماً به مدل‌های غول‌پیکر نیاز است، نتایج جدید Falcon-ASR این باور را به چالش می‌کشد. یک مدل فشرده با ۱.۶ میلیارد پارامتر توانسته است استانداردهای کارایی را برای زبان عربی بازتعریف کند. به نقل از پست وبلاگی مؤسسه TII (Technology Innovation Institute) در ۱۲ اکتبر ۲۰۲۶، مدل Falcon-ASR که در ابوظبی توسعه یافته است، در ۶ مجموعه داده آزمایشی عربی، به میانگین نرخ خطای کلمه (Word Error Rate - WER) ۲۰.۹۲٪ دست یافته است.
این دستاورد در حالی رخ می‌دهد که صنعت هوش مصنوعی برای درک تفاوت‌های ظریف گویش‌های محلی عربی در تقلا است؛ چرا که داده‌های برچسب‌گذاری‌شده برای این گویش‌ها بسیار کمتر از عربی معیار (MSA) است. با تکیه بر پوشش‌های قبلی ما درباره ادعاهای اولیه بنچمارک Falcon-ASR، این داده‌های جدید مدل مذکور را به عنوان یک جایگزین فشرده برای سیستم‌های حجیمی معرفی می‌کند که اغلب در مواجهه با تنوع‌های منطقه‌ای شکست می‌خورند. در همین راستا، بررسی مکانیسم تشخیص خودکار لهجه‌ها در Falcon-ASR نشان می‌دهد که این مدل چگونه بدون نیاز به تعیین زبان، تفاوت‌های گویشی را مدیریت می‌کند.
این مدل را به عنوان یک ابزار زبانی تخصصی در نظر بگیرید: در حالی که مدل‌های عمومی سعی می‌کنند هر زبانی روی زمین را بیاموزند، Falcon-ASR به‌طور دقیق برای منطقه خلیج فارس، به‌ویژه گویش اماراتی، تنظیم شده است، بدون اینکه عملکرد خود را در زبان‌های جهانی مانند انگلیسی فدا کند.
زمینه و توسعه
مدل Falcon-ASR برای گفتارهای روزمره طراحی شده تا فاصله میان عربی رسمی (MSA) و گویش‌های محلی را پر کند. برای دستیابی به این هدف، TII این مدل را روی ترکیبی متنوع از داده‌های گویش اماراتی، عربی معیار، سایر گویش‌های خلیج فارس و انگلیسی آموزش داده است.
این مدل بر پایه پژوهش‌های Falcon3-Audio توسعه یافته است. این چارچوب، مدل‌های زبانی-صوتی را توصیف می‌کند که با استفاده از رمزگذارهای Whisper و مدل‌های زبانی بزرگ (LLM) با تنظیم دستوری (Instruction-tuned) ساخته شده‌اند. نکته قابل توجه این است که این سیستم‌ها با کمتر از ۳۰ هزار ساعت داده صوتی عمومی آموزش دیده‌اند.
برای اطمینان از عملکرد مدل در محیط‌های پر سر و صدای واقعی، TII از روش‌های سخت‌گیرانه افزایش داده (Data Augmentation) استفاده کرد. داده‌های صوتی آموزش، از جمله ضبط‌های اماراتی، با موارد زیر تغییر یافتند تا مدل مقاوم‌تر شود:
- نویز پس‌زمینه و موسیقی
- گفتارهای هم‌پوشان (Overlapping speech)
- بازگشت صدا در اتاق (Room reverberation)
- اثرات تماس تلفنی (Telephony effects)
- تغییرات در سرعت و گام صدا (Variations in speed and pitch)
مشخصات فنی و عملکرد
مدل Falcon-ASR یک مدل تبدیل گفتار به متن است که زبان عربی و چهار زبان دیگر (انگلیسی، فرانسوی، اسپانیایی و پرتغالی) را با استفاده از یک مجموعه واحد از وزن‌ها (Weights) به متن تبدیل می‌کند. این مدل نیازی به تعیین زبان (Language flag) ندارد و به‌طور خودکار زبان گوینده را تشخیص می‌دهد.
قابلیت‌های کلیدی فنی این مدل عبارتند از:
- برچسب‌های زمانی در سطح کلمه: هر کلمه به موقعیت دقیق خود در فایل صوتی متصل است. این یک ویژگی حیاتی برای زیرنویس‌گذاری، جستجو در ضبط‌ها و یادداشت‌برداری از جلسات است.
- پشتیبانی چندزبانه: اگرچه تخصص اصلی آن عربی است، اما در مجموع از ۵ زبان پشتیبانی می‌کند. TII هنوز نمرات خاصی برای زبان‌های فرانسوی، اسپانیایی یا پرتغالی منتشر نکرده است.
- کارایی بالا: با ۱.۶ میلیارد پارامتر، این مدل به‌مراتب کوچک‌تر از بسیاری از رقبای خود است، در حالی که در بنچمارک‌های خاص، دقت بالاتری را حفظ می‌کند.
در مقایسه‌های مستقیم بر اساس پروتکل Open Universal Arabic ASR Leaderboard (تحت نظارت مرکز پژوهشی ELM)، نرخ خطای ۲۰.۹۲ درصدی Falcon-ASR از مدل‌های Audar-ASR-V1-Turbo (۲۳.۱۷٪) و Cohere Transcribe Arabic (۲۵.۸۷٪) بهتر است. همچنین این مدل از omniASR LLM 7B که نرخ خطای ۲۸.۳۲٪ را ثبت کرده بود، پیشی گرفته است. میانگین نرخ خطای نویسه (Character Error Rate - CER) این مدل ۸.۷۹٪ بود، در حالی که این عدد برای Audar برابر ۹.۲۰٪ است.
در مجموعه داده‌های خصوصی اماراتی و خلیج فارس TII — که از ضبط‌های کنار گذاشته شده با رونوشت‌های تأیید شده توسط انسان ساخته شده است — مدل Falcon-ASR به نرخ خطای ۲۲.۷۳٪ رسید. این نتیجه به‌طور قابل‌توجهی بهتر از مدل ۳۰ میلیارد پارامتری Qwen3-Omni-30B-A3B-Instruct (۲۶.۸۰٪) و Audar-ASR-V1-Turbo (۲۷.۸۹٪) است.
عملکرد مدل در زبان انگلیسی نیز رقابتی باقی مانده و میانگین نرخ خطای ۵.۷۴٪ را در ۷ مجموعه داده Open ASR در Hugging Face ثبت کرده است. قوی‌ترین نتیجه آن ۱.۷۵٪ در LibriSpeech clean و ضعیف‌ترین آن ۱۱.۸۶٪ در مجموعه داده Earnings-22 بود. برای مقایسه، مدل Qwen3-ASR-1.7B نیز نرخ خطای مشابه ۵.۷۶٪ را در همان لیدربورد گزارش کرده است.
شکاف دسترسی
با وجود پیروزی فنی، یک مانع بزرگ برای توسعه‌دهندگان وجود دارد. برخلاف Audar-ASR (تحت مجوز AudarAI Community License v1.0) یا Qwen3-ASR (تحت مجوز Apache 2.0)، مؤسسه TII هنوز وزن‌های مدل، مجوز یا نسخه‌های کوانتیده (Quantized) را برای Falcon-ASR منتشر نکرده است.
در حال حاضر، این مدل فقط از طریق یک دموی Hugging Face در دسترس است که کلیپ‌های حداکثر ۶۰ ثانیه‌ای و ۲۰ مگابایتی را می‌پذیرد. اگرچه TII قصد دارد API و اپلیکیشن‌های بومی عرضه کند، اما نبود مجوز یا گزینه استقرار محلی (Local deployment)، کاربرد فوری آن را در محیط‌های تولیدی (Production) محدود می‌کند.
برای حوزه ASR، این تغییر ثابت می‌کند که تعداد پارامترها محرک اصلی دقت در بازشناسی گویش‌ها نیست. پیروزی یک مدل ۱.۶ میلیاردی بر یک مدل ۳۰ میلیاردی نشان می‌دهد که داده‌های باکیفیت و هدفمندِ گویشی و تکنیک‌های خاص افزایش داده، ارزشمندتر از مقیاس خام هستند.
توسعه‌دهندگان باید صفحه Hugging Face مؤسسه TII را برای انتقال از یک دموی میزبانی شده به یک API کاربردی دنبال کنند، زیرا نمرات گزارش شده فعلی به دلیل ماهیت خصوصی مجموعه داده‌های اماراتی، به‌طور مستقل قابل بازتولید نیستند.
گام بعدی شما
- صفحه Hugging Face مؤسسه TII را برای اعلام عرضه API یا انتشار وزن‌های مدل دنبال کنید.
- اگر روی پروژه‌های بازشناسی گفتار عربی کار می‌کنید، از دموی فعلی برای ارزیابی کیفیت خروجی در گویش‌های خلیجی استفاده کنید.
- نتایج این مدل را با مدل‌های باز مانند Whisper برای زبان‌های محلی مقایسه کنید تا حد از اثر داده‌های تخصصی در مقابل داده‌های حجیم را بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو