Falcon ASR atviras modelis geriau atpažįsta arabų kalbą

Technology Innovation Institute pristatė 1,6 milijardo parametrų Falcon ASR kalbos atpažinimo modelį arabų ir emyratų tarmei.

Hugging Face tinklaraštyje rašoma, kad modelis taip pat palaiko anglų, prancūzų, ispanų ir portugalų kalbas. Tai atviro projekto naujiena, nes modelį galima išbandyti per Hugging Face demonstracinę erdvę.

Pasak kūrėjų, Falcon ASR šešiuose arabų kalbos testų rinkiniuose pasiekė 20,92 procento vidutinį žodžių klaidų rodiklį. Palyginimui, geriausias jų naudoto lyderių lentelės rezultatas buvo 23,17 procento.

Vidinėje emyratų kalbos vertinimo dalyje modelis pasiekė 22,73 procento žodžių klaidų ir 10,19 procento simbolių klaidų rodiklius. Hugging Face įraše nurodoma, kad tai buvo geriausi rezultatai tarp lygintų sistemų.

Falcon ASR sukūrė Abu Dabyje veikiantis Technology Innovation Institute. Įraše autoriai nurodo, kad modelis mokytas su emyratų, bendrine arabų, kitomis Persijos įlankos tarmėmis ir anglų kalbos duomenimis.

Modelis palaiko žodžių lygio laiko žymas, todėl kiekvieną transkribuotą žodį galima susieti su jo vieta garso įraše. Tokia savybė naudinga susitikimų įrašams, skambučių analizei ir archyvų paieškai.

Hugging Face pranešime rašoma, kad mokymo duomenyse naudotas foninis triukšmas, persidengiantis kalbėjimas, muzika, kambario aidas ir telefono ryšio efektai. Tai turėtų padėti modelį naudoti ne tik švariuose laboratoriniuose įrašuose.

Anglų kalbos vertinime Falcon ASR su tais pačiais svoriais pasiekė 5,74 procento vidutinį žodžių klaidų rodiklį. Modelis nereikalauja iš anksto nurodyti kalbos, o tekstą grąžina ta kalba, kuria kalbama įraše.

Kūrėjai nurodo, kad Falcon ASR remiasi ankstesniu Falcon3-Audio darbu, kurio architektūra aprašyta moksliniame straipsnyje. Tai reiškia, kad naujas modelis nėra izoliuotas demonstracinis bandymas, o tęstinės garso modelių linijos dalis.

Hugging Face puslapyje taip pat pateikiama tiesioginė nuoroda į demonstracinę erdvę, kur galima transkribuoti iki 60 sekundžių garso įrašus. Tokia riba leidžia greitai patikrinti veikimą be atskiro diegimo ar infrastruktūros.

Toliau kūrėjai planuoja API prieigą ir vietines programas, bet dabar pagrindinis bandymo kelias yra Hugging Face demonstracinė erdvė. Lietuvos skaitytojams ši naujiena svarbi kaip pavyzdys, kad atviri kalbos modeliai sparčiai plečia ne anglų kalbos aprėptį.