Falcon ASR：支持阿联酋方言的多语语音识别

原文要点

TII于2026年10月7日发布1.6B参数的语音识别模型Falcon-ASR，主打阿拉伯语及阿联酋方言，同一套权重无需语言标记即可转写英、法、西、葡语，输出带词级时间戳。在ELM研究中心的Open Universal Arabic ASR Leaderboard六个阿拉伯语测试集上，其平均词错率（WER）20.92%，比作者所用榜单快照中最佳已发布结果23.17%低2.25个百分点；内部阿联酋方言评测WER 22.73%、CER 10.19%，比次优的Qwen3-Omni低4.07个百分点；英语在Hugging Face Open ASR Leaderboard七个公开测试集上平均WER 5.74%。训练数据混入背景噪声、重叠说话、音乐、混响、电话信道及变速变调。Hugging Face提供Demo Space可直接上传录音试用，API与原生应用尚在计划中。

这次做成什么

在Hugging Face演示页用自己的录音实测Falcon-ASR，并用本站设计的对照练习判断它是否适合你的场景：与现用转写工具在同三段音频上对比错字与时间戳可用性，结论记入评估表。

准备什么

• 可访问Hugging Face的网络与账号（演示页可能要求登录）
• 三段自有录音：一段清晰独白、一段嘈杂环境或多人交谈、一段电话音质（各30秒至3分钟）
• 录音中如含阿拉伯语或阿联酋方言更能体现该模型特长，纯中文不在其支持语言内

具体怎么做

1. 准备三段对照录音

   录三段音频：①安静环境朗读一段英语或阿拉伯语文字（保留原稿作为参照文本）；②在开着背景音乐的房间录一段两人对话；③用手机通话录音功能录一段电话音质的讲话。把参照文本逐句整理好，后面要数错词。

2. 在Demo Space上传转写

   打开Hugging Face上tiiuae的Falcon-ASR Demo Space（从官方博客的“Try Falcon ASR”入口进入），依次上传三段录音，记录每段的转写文本和词级时间戳输出。无需选择语言，模型用同一套权重自动识别语种。

3. 逐段数错词算WER

   把每段转写与参照文本逐句对齐，数替换、遗漏、多出的词数，按（错词总数÷参照词数）估算你自己的WER。重点看：方言词是否被转成了字面读音、英语夹杂词是否保留原语言、电话音质段的错词是否明显增多。

4. 检查词级时间戳可用性

   抽查每段中5个关键词的时间戳，对照播放器进度确认位置偏差是否在你可接受范围内（例如做字幕要求误差小于0.5秒）。把时间戳能否直接用于剪辑或字幕作为单独的通过项记录。

5. 填评估表并下结论

   把三段音频在你现用的转写工具上各跑一遍，与Falcon-ASR结果一起填入材料中的评估CSV，按场景给结论：若你的场景是阿拉伯语/方言会议或电话录音且错词明显更少，可等待其API上线后接入；若主要是中文场景，该模型不适用。

可直接复制的材料

音频段,场景,时长秒,语种,Falcon错词数,参照词数,Falcon估算WER,现用工具错词数,现用工具WER,时间戳抽查偏差秒,结论
A,安静朗读,60,英语,3,120,2.5%,7,120,5.8%,0.3,两者可用
B,背景音乐对话,90,阿拉伯语方言,11,180,6.1%,26,180,14.4%,0.6,Falcon明显更准
C,电话音质,45,阿拉伯语方言,14,95,14.7%,31,95,32.6%,1.2,电话段两者都需人工复核

英语段参照文本（约120词，读60秒）：
Welcome to our weekly operations review. Today we will cover three topics: the delivery schedule for the northern warehouse, the new supplier contract signed on Monday, and the safety inspection planned for next Friday. Please keep your status updates under two minutes so we can finish on time.

阿拉伯语段（会读则用，不会读可找公开阿语播客片段并以其字幕为参照）：
أهلاً بكم في اجتماعنا الأسبوعي. اليوم سنناقش ثلاثة مواضيع: جدول التسليم لمستودع الشمال، والعقد الجديد مع المورد، وخطة التفتيش المقررة يوم الجمعة القادم.

输入与输出示例

本站虚构演示数字，用于示范填表方法，不代表该模型在你的录音上的真实表现。

输入

音频B：90秒阿拉伯语海湾方言双人对话，带背景音乐，参照文本180词。

对应输出

评估表B行：Falcon-ASR错词11个（估算WER 6.1%），现用工具错词26个（WER 14.4%）；5个关键词时间戳抽查平均偏差0.6秒；方言词基本正确转写，夹杂的英语品牌词保留拉丁字母；结论列写“方言嘈杂场景Falcon明显更准，时间戳可做粗剪但做字幕需人工校准”。

做完检查这些

• 三段音频都能在Demo Space完成上传并返回转写与词级时间戳
• 每段都按参照文本数出错词并算出WER，而不是凭印象判断好坏
• 时间戳抽查有具体偏差秒数记录，并明确能否用于你的字幕或剪辑场景
• 评估表最后一列对每种场景给出明确结论，含不适用场景的判断

容易卡住的地方

• 该模型支持阿拉伯语、英语、法语、西语、葡语，不支持中文，中文录音不要拿来下结论
• 20.92%等WER是作者在特定基准测试集上的结果，不代表你的录音能达到同一水平
• 词级时间戳精度原文未给误差边界，做字幕等对同步要求高的场景必须自行抽查
• API和原生应用只是计划中，现阶段只有网页演示，不能规划依赖API的上线时间
• Demo Space可能有排队、文件大小或时长限制，具体限制以页面实际提示为准，原文未列出
• 内部阿联酋评测的对比系统明细由作者方提供，第三方复现结果可能不同