アブダビのTechnology Innovation Institute(TII)は Falcon-ASRをリリースしました。これは1.6Bパラメータのアラビア語音声認識モデルです。アラビア半島東部(UAE)方言に焦点を当てており、英語、フランス語、スペイン語、ポルトガル語の文字起こしにも対応します。TIIの評価では、Falcon-ASRは6つのアラビア語テストセット全体で平均20.92%の語誤り率(WER)を記録しました。これはTIIのリーダーボードスナップショットにおける最良の公開エントリーを2.25ポイント上回ります。アラビア語音声製品を開発する開発者にとっての課題はアクセスです。現時点ではホスト型デモとしてのみ実行できます。
TL;DR
- サイズ： 1.6Bパラメータ。最大音声コンテキスト：非公開(デモは最大60秒・20 MBのクリップを受け付けます)。
- 実行環境： 非公開。重みや量子化バリアントは公開されていません。アクセスはHugging Faceのデモで、APIとネイティブアプリが計画されています。
- 性能： TII独自の比較において、アラビア語とUAE方言で最低のWER、英語でも堅実な結果。
- 最良： 平均アラビア語WER 20.92%、Audar-ASR-V1-Turbo(23.17%)を2.25ポイント下回る。
- 最悪： 最も弱い英語テストセットであるEarnings-22でのWERは11.86%。
- 結論(最良)： TIIのテストでより大規模なアラビア語システムをリードするコンパクトな1.6Bモデル。
- 結論(最悪)： 重みもライセンスもAPIもまだなく、すべてのスコアは自己報告である。
Falcon-ASRとは何か?
Falcon-ASRは、話されたアラビア語およびその他4言語をテキストに変換するTIIの音声からテキストへのモデルです。5言語すべてが1つの重みセットを共有します。このモデルは言語フラグを必要とせず、話された言語でテキストを出力します。さらに 単語レベルのタイムスタンプを返し、各単語を音声内の位置に結び付けます。これは字幕作成、検索可能な録音、会議メモにとって重要です。
Falcon-ASRはアラビア語の方言をどのように扱うのか?
方言アラビア語は、現代標準アラビア語(MSA)に比べて文字起こしされたリソースがはるかに少なくなっています。TIIは、UAE方言、MSA、その他の湾岸およびアラビア語の諸方言、そして英語でFalcon-ASRを訓練しました。目標は、方言形や言語切り替えを含む日常会話です。
訓練音声は、背景ノイズ、重なる発話、音楽、室内残響、電話効果によって拡張されました。速度とピッチも変化させました。同じ処理がUAE方言の録音にも適用されました。
このモデルはTIIの Falcon3-Audioの研究。その研究は、指示チューニングされたLLMとWhisperエンコーダを基盤とし、30K時間未満の公開音声で訓練された音声言語モデルについて述べています。Marktechpostの編集・技術チームは、Falcon-ASRの正確なアーキテクチャや訓練データサイズに関する公開情報を見つけられませんでした。
Falcon-ASRはアラビア語ベンチマークでどのようなスコアを示すのか?
TIIは Open Universal Arabic ASR Leaderboardのプロトコルに従った。このリーダーボードはELM Research Centerが運営しており、6つのテストセットに対する等加重平均WERでシステムを順位付けする。TIIはリーダーボードのピン留めされたマニフェストを使用した。競合他社の数値は、2026年9月30日に確認した公開されているリーダーボードの平均値である。
| モデル | パラメータ数 | 平均WER (%) | 平均CER (%) |
|---|---|---|---|
| Falcon-ASR | 1.6B | 20.92 | 8.79 |
| Audar-ASR-V1-Turbo | 2.35B | 23.17 | 9.23 |
| Cohere Transcribe Arabic (07-2026) | 2.0B | 25.87 | 11.80 |
| omniASR LLM 7B | 7.0B | 28.32 | 12.52 |
数値は低いほど良好です。なお、Falcon-ASRの数値はTII自身による実行結果であり、リーダーボードへのエントリーではありません。 Audarモデルカード では、自らの平均CERを9.20%としています。
Falcon-ASRはアラブ首長国連邦（エミラティ）の音声でどのように性能を発揮するのか？
TIIは、人手で検証された文字起こし付きのホールドアウト録音から、内部用のエミラティおよび湾岸諸国向けテストセットを構築しました。これは公開データセット Casablanca のUAEサブセットを補完するものです。
| モデル | パラメータ数 | WER (%) | CER (%) |
|---|---|---|---|
| Falcon-ASR | 1.6B | 22.73 | 10.19 |
| Qwen3-Omni-30B-A3B-Instruct | 30B (3B active) | 26.80 | 12.72 |
| Audar-ASR-V1-Turbo | 2.35B | 27.89 | 13.75 |
| Cohere Transcribe Arabic | 2.0B | 31.05 | 18.07 |
| Qwen3-ASR-1.7B | 2.0B | 31.52 | 13.35 |
| Audar-ASR-V1-Flash | 0.78B | 32.87 | 15.36 |
Falcon-ASRはQwen3-Omniに対して4.07 WERポイントのリードを誇ります。このテストセットは非公開のため、結果を再現することはできません。Audarは別のエミラティセット（Mixat）で19.4%のWERを報告しており、数値は直接比較できません。
Falcon-ASRの英語での性能はどの程度か？
Hugging Face Open ASR Leaderboardで使用されている7つの英語テストセットにおいて、TIIは平均WER 5.74%を報告しています。セットごとのスコアは、LibriSpeech cleanの1.75%からEarnings-22の11.86%までの範囲です。参考までに、 Qwen3-ASR-1.7B は同リーダーボードで平均WER 5.76%を記載しています。フランス語、スペイン語、ポルトガル語に対応していますが、TIIはこれらのスコアを公表していません。
比較：Falcon-ASR vs 最も近いアラビア語ASRモデル
| 特徴 | Falcon-ASR | Audar-ASR-V1-Turbo | Cohere Transcribe アラビア語 | Qwen3-ASR-1.7B |
|---|---|---|---|---|
| 組織 | TII(UAE) | AudarAI | Cohere | Alibaba Qwen |
| パラメータ数 | 1.6B | 2.35B | 2B | 1.7B（HFカードでは2B） |
| アーキテクチャ | Falcon3-Audioをベースに構築 | オーディオエンコーダ + LMデコーダ | FastConformerエンコーダ + Transformerデコーダ | Qwen3-Omniをベースに構築 |
| ライセンス | 非公開 | AudarAI Community License v1.0 | Apache 2.0 | Apache 2.0 |
| オープンウェイト | いいえ | はい（BF16、GGUF、W4A16） | はい | はい |
| 対応言語 | 5言語（アラビア語（首長国方言を含む）、英語、フランス語、スペイン語、ポルトガル語） | 30言語（アラビア語優先） | アラビア語、英語 | 30言語 + 中国語の22方言 |
| アラビア語平均WER（6セット） | 20.92（TII評価） | 23.17 | 25.87 | 33.36 (リーダーボード) |
| アラビア語平均CER | 8.79（TII評価） | 9.20 | 11.80 | 12.33 |
| TII 首長国方言WER | 22.73 | 27.89 | 31.05 | 31.52 |
| 英語平均 WER(Open ASRセット) | 5.74(TII評価) | 非公開 | 非公開 | 5.76 |
| タイムスタンプ | 単語レベル | 非公開 | 非公開 | Qwen3-ForcedAligner-0.6B 経由 |
| 動作環境 | 非公開(ホスト型デモ) | CPU、GPU、GGUF によるエッジ。W4A16 は 12 GB 以上の GPU | 非公開 | Transformers または vLLM による GPU |
| アクセス | HF デモ。API は予定あり | 重み + Audar API | 重み + Cohere API | 重み + DashScope API |
出典: Falcon-ASR の数値は TII のブログによる。Audar、Cohere および Qwen のリーダーボード数値は、Audar カード上に再掲された ELM リーダーボードによる。全モデルのエミラティ WER は TII の内部評価による。
重要なポイント
- Falcon-ASR は、TII 製のエミラティ重視の 1.6B のアラビア語ファースト音声モデルである。
- 平均アラビア語 WER は 20.92% で、Audar-ASR-V1-Turbo を 2.25 ポイント上回る。
- TII のエミラティセットでは、30B の Qwen3-Omni を 4.07 WER ポイント上回る。
- 1 セットの重みで 5 言語をカバーし、単語レベルのタイムスタンプに対応。
- 重み、ライセンス、API はまだ未提供:60 秒のデモで試すことができる。
以下も参照: Falcon-ASR ブログ、 Falcon3-Audio 論文 そして試してみて デモ. また、ぜひ私たちをフォローしてください: Twitter また、私たちのへの参加もお忘れなく。 150k+のML SubReddit および「Subscribe to 当社のニュースレター。待って！あなたはTelegramを使っていますか？ Telegramでもご参加いただけるようになりました。
この投稿 TIIがFalcon-ASRをリリース:1.6Bアラビア語音声モデルが20.92%のWERを達成 初出： MarkTechPost.