Falcon-ASR: одна модель на пять языков и таймкоды по словам

Институт TII в Абу-Даби представил Falcon-ASR — распознавание речи на 1,6 млрд параметров с упором на арабский и эмиратский диалект. Те же веса тянут английский, французский, испанский и португальский: язык не задаётся, транскрипт приходит на языке говорящего. Каждое слово можно привязать к моменту в аудио — удобно, когда из созвона или голосовой заметки нужно вырезать фрагмент, а не листать сплошной текст.

Цифры с бенчмарков

По протоколу Open Universal Arabic ASR Leaderboard (центр ELM Research) средний word error rate на шести наборах — 20,92%. В снимке лидерборда на 30 сентября 2026 года лучшая опубликованная строка — 23,17%; у Falcon-ASR разница 2,25 процентных пункта.

На внутреннем наборе эмиратской речи модель дала 22,73% WER и 10,19% character error rate — лучший результат среди сравниваемых систем, на 4,07 п.п. по WER ниже Qwen3-Omni. На семи английских наборах Hugging Face Open ASR Leaderboard средний WER — 5,74%.

Обучение и что в ответе

• таймкоды на уровне слова;
• одна модель на пять языков без флага языка;
• в датасет шли шум, наложение голосов, музыка, реверберация и телефония, плюс разброс скорости и высоты голоса — в том числе на эмиратских записях;
• архитектура опирается на Falcon3-Audio (описание в статье Competitive Audio-Language Models with Data-Efficient Single-Stage Training on Public Data).

Попробовать можно в Demo Space на Hugging Face на своих файлах; доступ через API и нативные приложения авторы планируют позже.

Источник: Introducing Falcon ASR.