معرفی مدل Falcon ASR؛ ابزار پیشرفته تشخیص گفتار برای زبان عربی و اللهجه‌های محلی

معهد الابتكار التكنولوجي (TII) در ابوظبی از مدل جدید هوش مصنوعی خود با نام Falcon-ASR پرده برداشت. این مدل تشخیص گفتار که دارای ۱.۶ میلیارد پارامتر است، تمرکز ویژه‌ای روی اللهجه اماراتی دارد و علاوه بر زبان عربی و گویش‌های مختلف آن، از زبان‌های انگلیسی، فرانسوی، اسپانیایی و پرتغالی نیز پشتیبانی می‌کند. هدف از توسعه این سیستم، ارتقای دقت تفریغ صوتی و درک مکالمات روزمره کاربران در شرایط گوناگون است.

در ارزیابی‌های انجام‌شده، مدل Falcon-ASR توانست میانگین نرخ خطای کلمات (WER) معادل ۲۰.۹۲ درصد را در شش مجموعه آزمایشی عربی ثبت کند که در مقایسه با بهترین نتیجه منشورة قبلی در لوحة المتصدرين بهبود چشمگیری را نشان می‌دهد. همچنین در ارزیابی داخلی لهجه اماراتی، این مدل کمترین میزان نرخ خطای کلمات و نویسه‌ها را در مقایسه با سایر سامانه‌های مشابه به ثبت رساند. علاوه بر این، مدل مذکور از درج طوابع زمانی روی سطح کلمات پشتیبانی می‌کند تا هر واژه به موقعیت دقیق خود در فایل صوتی مرتبط شود.

توسعه‌دهندگان این مدل برای آماده‌سازی آن در برابر چالش‌های دنیای واقعی، داده‌های آموزشی را با انواع نویزهای پس‌زمینه، گفتارهای متداخل، موسیقی، بازتاب صدا و اثرات مخابراتی ترکیب کرده‌اند. این رویکرد به مدل اجازه می‌دهد تا در جلسات، تماس‌ها و سایر محیط‌های کاری عملکرد پایدارتری داشته باشد. وزن‌های یکسان این مدل برای زبان‌های مختلف نیاز به تعیین پرچم زبان را از بین برده و خروجی مستقیماً به زبان گفتاری تولید می‌شود.

علاوه بر عملکرد در زبان عربی، Falcon-ASR در زبان انگلیسی نیز میانگین نرخ خطای کلمات ۵.۷۴ درصدی را در معیارهای ارزیابی Hugging Face به دست آورده است. این معماری که بر پایه کارهای قبلی Falcon3-Audio توسعه یافته، هم‌اکنون از طریق فضای نمایشی Hugging Face قابل آزمایش است و در آینده دسترسی به آن از طریق API و برنامه‌های بومی نیز فراهم خواهد شد.