TII เปิดตัว Falcon-ASR โมเดลรู้จำเสียงภาษาอาหรับระดับ 1.6B

Technology Innovation Institute (TII) ในอาบูดาบี ได้เปิดตัว Falcon-ASR ซึ่งเป็นโมเดลการรู้จำเสียงภาษาอาหรับที่มีพารามิเตอร์ขนาด 1.6B โดยเน้นที่สำเนียงเอมิเรตส์และยังสามารถถอดความภาษาอังกฤษ ฝรั่งเศส สเปน และโปรตุเกสได้อีกด้วย

จากการประเมินของ TII พบว่า Falcon-ASR ทำค่าเฉลี่ยอัตราความผิดพลาดของคำ (word error rate หรือ WER) ได้ที่ 20.92% จากชุดทดสอบภาษาอาหรับ 6 ชุด ซึ่งชนะผลงานที่ดีที่สุดใน Leaderboard ของ TII ไป 2.25 จุด อย่างไรก็ตาม ปัจจุบันนักพัฒนายังเข้าถึงได้เพียงรูปแบบเดโมบนโฮสต์เท่านั้น โดยยังไม่มีการเปิดเผย weights หรือ API ในขณะนี้

TL;DR

• ขนาด: 1.6B พารามิเตอร์ บริบทเสียงสูงสุดยังไม่เปิดเผย (เดโมรองรับคลิปสูงสุด 60 วินาที และขนาด 20 MB)
• การใช้งาน: ไม่มีการเผยแพร่ weights หรือตัวแปรแบบ quantized การเข้าถึงทำได้ผ่านเดโมบน Hugging Face โดยมีแผนสำหรับ API และแอปพลิเคชันแบบ native ในอนาคต
• ประสิทธิภาพ: มีค่า WER ภาษาอาหรับและเอมิเรตส์ต่ำที่สุดในการเปรียบเทียบของ TII พร้อมผลลัพธ์ภาษาอังกฤษที่แข็งแกร่ง
• ดีที่สุด: ค่าเฉลี่ย WER ภาษาอาหรับ 20.92% ซึ่งต่ำกว่า Audar-ASR-V1-Turbo (23.17%) อยู่ 2.25 จุด
• แย่ที่สุด: WER 11.86% ใน Earnings-22 ซึ่งเป็นชุดทดสอบภาษาอังกฤษที่ทำคะแนนได้น้อยที่สุด
• สรุป (ด้านดี): โมเดลขนาดกะทัดรัด 1.6B ที่นำหน้าระบบภาษาอาหรับที่มีขนาดใหญ่กว่าในการทดสอบของ TII
• สรุป (ด้านลบ): ยังไม่มี weights, ไม่มีสัญญาอนุญาต (license), ยังไม่มี API และคะแนนทั้งหมดเป็นการรายงานโดยผู้พัฒนาเอง

Falcon-ASR คืออะไร?

Falcon-ASR เป็นโมเดล speech-to-text จาก TII ที่แปลงเสียงพูดภาษาอาหรับและภาษาอื่นๆ อีก 4 ภาษาให้เป็นข้อความ โดยทั้ง 5 ภาษาใช้ชุด weights เดียวกัน โมเดลไม่จำเป็นต้องมีการระบุภาษา (language flag) และจะส่งออกข้อความตามภาษาที่พูด

นอกจากนี้ยังส่งคืน การประทับเวลาในระดับคำ (word-level timestamps) ซึ่งเชื่อมโยงแต่ละคำเข้ากับตำแหน่งในไฟล์เสียง สิ่งนี้สำคัญสำหรับการทำคำบรรยาย (subtitling), การบันทึกที่ค้นหาได้ และบันทึกการประชุม

Falcon-ASR จัดการกับสำเนียงภาษาอาหรับอย่างไร? เนื่องจากภาษาอาหรับแบบสำเนียงถิ่นมีทรัพยากรการถอดความน้อยกว่าภาษาอาหรับมาตรฐานสมัยใหม่ (MSA) ทาง TII จึงฝึกฝน Falcon-ASR ด้วยสำเนียงเอมิเรตส์, MSA, สำเนียงกัลฟ์อื่นๆ และสำเนียงอาหรับ รวมถึงภาษาอังกฤษ เพื่อให้ครอบคลุมการใช้งานในชีวิตประจำวันที่มักมีการสลับภาษาไปมา

ข้อมูลเสียงที่ใช้ฝึกฝนได้รับการเสริมแต่ง (augmented) ด้วยเสียงรบกวนพื้นหลัง, เสียงพูดที่ซ้อนทับกัน, ดนตรี, เสียงก้อง และเอฟเฟกต์การใช้โทรศัพท์ ทั้งยังมีการปรับเปลี่ยนความเร็วและระดับเสียง โดยใช้วิธีเดียวกันนี้กับเสียงบันทึกสำเนียงเอมิเรตส์ด้วย

โมเดลนี้พัฒนาต่อยอดจากงานวิจัย Falcon3-Audio ซึ่งเป็นโมเดลเสียง-ภาษาที่สร้างบน LLM ที่ผ่านการจูนด้วยชุดคำสั่ง (instruction-tuned) และตัวเข้ารหัส (encoders) ของ Whisper โดยฝึกฝนด้วยเสียงสาธารณะน้อยกว่า 30,000 ชั่วโมง ทว่าปัจจุบันยังไม่มีข้อมูลสถาปัตยกรรมที่ชัดเจนของ Falcon-ASR

Falcon-ASR ทำคะแนนอย่างไรในเกณฑ์มาตรฐานภาษาอาหรับ?

TII ปฏิบัติตามโปรโตคอลของ Open Universal Arabic ASR Leaderboard โดยวัดผลจากค่าเฉลี่ย WER แบบถ่วงน้ำหนักเท่ากันจากชุดทดสอบ 6 ชุด ซึ่งตัวเลขคู่แข่งเป็นข้อมูลที่ตรวจสอบเมื่อวันที่ 30 กันยายน 2026

หมายเหตุ: ค่าน้อยกว่าคือดีกว่า ตัวเลขของ Falcon-ASR เป็นการทดสอบโดย TII เอง ไม่ใช่ข้อมูลจาก Leaderboard โดยตรง

ประสิทธิภาพต่อสำเนียงเอมิเรตส์

TII ได้สร้างชุดทดสอบสำเนียงเอมิเรตส์และกัลฟ์เป็นการภายใน โดยใช้เสียงบันทึกที่ผ่านการตรวจสอบโดยมนุษย์ ร่วมกับชุดข้อมูลสาธารณะ Casablanca

Falcon-ASR สามารถทำคะแนนนำหน้า Qwen3-Omni ขนาด 30B อยู่ 4.07 จุด WER อย่างไรก็ตาม เนื่องจากชุดทดสอบนี้เป็นข้อมูลส่วนบุคคล จึงไม่สามารถทำการทดสอบซ้ำเพื่อเปรียบเทียบได้โดยตรง

ความสามารถในภาษาอังกฤษและภาษาอื่นๆ

สำหรับชุดทดสอบภาษาอังกฤษ 7 ชุดบน Hugging Face Open ASR Leaderboard ทาง TII รายงานค่าเฉลี่ย WER ที่ 5.74% ซึ่งใกล้เคียงกับ Qwen3-ASR-1.7B ที่มีค่าเฉลี่ย 5.76% นอกจากนี้โมเดลยังรองรับภาษาฝรั่งเศส สเปน และโปรตุเกส แต่ยังไม่มีการเผยแพร่คะแนนทดสอบอย่างเป็นทางการ

การเปรียบเทียบกับโมเดล ASR ภาษาอาหรับอื่นๆ

สรุปได้ว่า Falcon-ASR เป็นโมเดลประสิทธิภาพสูงในขนาดกะทัดรัดที่น่าจับตามองสำหรับภาษาอาหรับ โดยเฉพาะสำเนียงเฉพาะถิ่น แม้ว่าในปัจจุบันจะยังจำกัดการใช้งานอยู่เพียงในรูปแบบเดโมก็ตาม