معرفی Falcon-ASR؛ مدل تشخیص گفتار عربی با تمرکز بر لهجهٔ اماراتی

مؤسسهٔ Technology Innovation Institute در ابوظبی Falcon-ASR را معرفی کرده است؛ مدلی برای تشخیص گفتار که تمرکز ویژه‌ای بر لهجهٔ اماراتی دارد و از عربی، انگلیسی، فرانسوی، اسپانیایی و پرتغالی پشتیبانی می‌کند. این مدل ۱٫۶ میلیارد پارامتر دارد و می‌تواند زمان‌بندی هر واژه را نیز در متن پیاده‌شده مشخص کند.

طبق ارزیابی TII، میانگین نرخ خطای واژه (WER) مدل در شش مجموعه‌آزمون عربی ۲۰٫۹۲ درصد بود. این رقم در مقایسه با بهترین نتیجهٔ منتشرشده در نسخهٔ جدول رتبه‌بندی مورد استفادهٔ این ارزیابی، ۲٫۲۵ واحد درصد کمتر است. TII می‌گوید ارقام رقبا از جدول رتبه‌بندی Open Universal Arabic ASR استخراج شده‌اند و در ۳۰ سپتامبر ۲۰۲۶ بررسی شده‌اند.

در ارزیابی داخلی TII از گفتار اماراتی، Falcon-ASR به WER برابر با ۲۲٫۷۳ درصد و نرخ خطای نویسه (CER) برابر با ۱۰٫۱۹ درصد رسید. شرکت می‌گوید این مدل در میان سامانه‌هایی که مقایسه کرده، کمترین نرخ خطای واژه و نویسه را داشته است. این ارزیابی با ضبط‌های کنارگذاشته‌شده و رونوشت‌های بازبینی‌شده توسط انسان انجام شده تا گفتار اماراتی و خلیجی را فراتر از زیرمجموعهٔ امارات در داده‌های عمومی بسنجد.

TII می‌گوید مدل را با داده‌های اماراتی، عربی معیار مدرن (MSA)، دیگر لهجه‌های خلیجی و عربی، و انگلیسی آموزش داده است. هدف، پیاده‌سازی گفتار روزمره، از جمله صورت‌های لهجه‌ای و جابه‌جایی میان زبان‌ها بوده است. این شرکت همچنین یادآور می‌شود که گفتار عربی با منطقه، گوینده و موقعیت تغییر می‌کند و داده‌های رونوشت‌دار برای لهجه‌ها کمتر از MSA است؛ موضوعی که آموزش و ارزیابی را دشوارتر می‌کند.