उपकरण समीक्षाएँ

फाल्कन एएसआर से मिलें

Technology Innovation Institute ने फाल्कन-एएसआर जारी किया, जो अरबी और अमीराती बोली पर केंद्रित एक 1.6B-पैरामीटर speech recognition मॉडल है। यह भाषा ध्वज के बिना साझा भार का उपयोग करते हुए अंग्रेजी, फ्रेंच, स्पेनिश और पुर्तगाली का भी समर्थन करता है। मॉडल छह अरबी लीडरबोर्ड टेस्ट सेटों पर 20.92% औसत शब्द त्रुटि दर और आंतरिक एमिरेट्स मूल्यांकन में 22.73% शब्द त्रुटियों की दर, 10.19% चरित्र त्रुटि दर को रिपोर्ट करता है. यह सार्वजनिक अंग्रेजी परीक्षण सेटों में 5.74% औसत शब्द गलती दर भी प्राप्त करता है । फाल्कोन-ASR शब्द-स्तरीय टाइमस्टैम्प उत्पन्न करता है और बोलियों, कोड स्विचिंग, शोर और संपीड़न के साथ वास्तविक दुनिया ऑडियो को लक्षित करता है API ac योजनाबद्ध है।

फाल्कन एएसआर से मिलें

मुख्य जानकारी

  • टीआईआई ने फाल्कन-एएसआर जारी किया, जो 1.6B-पैरामीटर अरबी speech recognition मॉडल है जिसमें अमीराती बोली पर जोर दिया गया है, जबकि अंग्रेजी, फ्रेंच, स्पेनिश और पुर्तगाली का भी समर्थन करता है और शब्द स्तर के टाइमस्टैम्प का उत्पादन करता है।
  • Open Universal Arabic ASR लीडरबोर्ड पर, फाल्कन-एएसआर ने औसत 20.92% शब्द त्रुटि दर हासिल की, जो तुलनात्मक स्नैपशॉट में सर्वश्रेष्ठ प्रकाशित परिणाम से 2.25 प्रतिशत अंक बेहतर है।
  • TII के आंतरिक अमीरात और खाड़ी मूल्यांकन में, मॉडल ने 22.73% WER और 10.19% CER दर्ज किए हैं, जो अन्य तुलनात्मक प्रणालियों से बेहतर प्रदर्शन करते हैं और बोली-भाषा अरबी के लिए बेहतर सटीकता दिखाते हैं।
  • फाल्कन-एएसआर को वास्तविक दुनिया की रिकॉर्डिंग स्थितियों के लिए प्रशिक्षित किया गया है, जिसमें पृष्ठभूमि शोर, ओवरलैपिंग भाषण, संगीत, प्रतिध्वनि और टेलीफोनी प्रभाव शामिल हैं, जो इसे बैठकों, कॉल, प्रसारण और रोजमर्रा के ऑडियो के लिए उपयुक्त बनाता है।
  • मॉडल Hugging Face डेमो के माध्यम से उपलब्ध है, जिसमें API एक्सेस और नेटिव एप्लिकेशन की योजना बनाई गई है, जो डेवलपर्स, शोधकर्ताओं और उद्यमों के लिए एक बोली-जागरूक विकल्प प्रदान करता है।

मेटा विवरण: टीआई ने फाल्कन-एएसआर जारी किया, 20.92% डब्ल्यूईआर के साथ एक 1.6B अरबी speech recognition मॉडल, अमीरात फोकस, अंग्रेजी समर्थन और शब्द स्तर की टाइमस्टैम्प।

Meet Falcon ASR

टैगः Arabic ASR, speech recognition , फाल्कन-एएसआर, अमीराती बोली, टीआईआई

विशेष रुप से प्रदर्शित छवि: लहरों के आकार, अरबी-प्रेरित ज्यामितीय पैटर्न और बहुभाषी भाषण बुलबुले का एक अमूर्त, मैत्रीपूर्ण चित्रण, जिसमें कोई वास्तविक लोग नहीं हैं, कोई लोगो या कोई पाठ नहीं है।

अरबी speech recognition , जिसे एएसआर भी कहा जाता है, बोली जाने वाली अरबी को पाठ में परिवर्तित करता है, और Technology Innovation Institute (टीआईआई) ने Abu Dhabi में फाल्कन-एएसआर पेश किया है, जो इस कार्य के लिए निर्मित एक 1.6 बिलियन पैरामीटर मॉडल है जिसमें अमीराती बोली पर विशेष ध्यान दिया गया है। यह मॉडल अंग्रेजी, फ्रेंच, स्पेनिश और पुर्तगाली का भी समर्थन करता है और यह शब्द-स्तरीय टाइमस्टैम्प उत्पन्न करता है जो प्रत्येक ट्रांसक्रिप्ट किए गए शब्द को ऑडियो में अपनी स्थिति से जोड़ता है। डेवलपर्स, शोधकर्ताओं और उद्यमों के लिए, रिलीज मीटिंग्स, कॉल, प्रसारण और रोजमर्रा की रिकॉर्डिंग के लिए एक बोली-जागरूक विकल्प जोड़ती है, जहां अरबी वक्ता अक्सर औपचारिक भाषा और क्षेत्रीय भाषण के बीच जाते हैं।

अरबी बेंचमार्क परिणाम

मूल्यांकन Open Universal Arabic ASR लीडरबोर्ड द्वारा उपयोग किए जाने वाले प्रोटोकॉल का पालन करता है, जिसे ELM Research Center द्वारा बनाए रखा जाता है। यह लीडरबॉर्ड सिस्टम को छह अरबी टेस्ट सेटों में समान-वजन औसत शब्द त्रुटि दर (डब्ल्यूईआर) का उपयोग करके रैंक करता है और चरित्र त्रुटि दर भी रिपोर्ट करता है (सीईआर). WER मापता है कि कितने शब्द एक संदर्भ प्रतिलेख की तुलना में गलत हैं, जबकि सीईआर वर्ण स्तर पर त्रुटियों को मापते हैं; दोनों के लिए कम मूल्य बेहतर होते हैं।

लीडरबोर्ड के पिन किए गए मैनिफेस्ट का उपयोग करते हुए, फाल्कन-एएसआर ने छह अरबी टेस्ट सेटों में 20.92% की औसत WER हासिल की। तुलना के लिए इस्तेमाल किए जाने वाले लीडरबॉर्ड स्नैपशॉट में सबसे अच्छा प्रकाशित परिणाम 23.17% था, और टीआईआई रिपोर्ट करता है कि नए मॉडल का औसत डब्ल्यूईआर उस आंकड़े से 2.25 प्रतिशत अंक बेहतर है। प्रतिस्पर्धी आँकड़े 30 सितंबर 2026 को चेक किए गए लीडबोर्ड औसतन हैं।

Public Arabic भाषण डेटा समान रूप से वितरित नहीं किया गया है। Modern Standard Arabic (एमएसए) में बोलीने वाले अरबी की तुलना में अधिक ट्रांसक्रिप्ट किए गए संसाधन हैं, इसलिए मॉडल रोजमर्रा की बातचीत के साथ संघर्ष करते हुए समाचार-शैली के भाषण पर अच्छा प्रदर्शन कर सकते हैं। फाल्कन-एएसआर को अमीराती, एमएसए, अन्य खाड़ी और अरबी बोलियों और अंग्रेजी पर प्रशिक्षित किया गया था, जिसका उद्देश्य लोगों द्वारा वास्तव में उपयोग किए जाने वाले शब्दों का अनुवाद करना है, जिसमें बोलीनात्मक रूप और भाषाओं के बीच परिवर्तन शामिल हैं।

Meet Falcon ASR

अमीराती मूल्यांकन और बोली फोकस

सार्वजनिक मूल्यांकन डेटा में पहले से ही कासाब्लांका के माध्यम से अमीराती भाषण शामिल है, जिसमें यूएई उपसमूह है। टीआईआई ने अतिरिक्त अमीरात और खाड़ी भाषण के आंतरिक मूल्यांकन के साथ उस सार्वजनिक कवरेज को पूरक किया। आंतरिक मूल्यांकन में आयोजित रिकॉर्डिंग और मानव-सत्यापित प्रतिलेखों का उपयोग किया गया था, जिससे टीम को ऐसी सामग्री पर प्रतिलेखन सटीकता का परीक्षण करने की अनुमति मिली जो सार्वजनिक संयुक्त अरब अमीरात सबसेट तक सीमित नहीं है।

उस आंतरिक अमीरात मूल्यांकन पर, फाल्कन-एएसआर ने 22.73% डब्ल्यूई और 10.19% सीईआर दर्ज किया। टीआईआई की रिपोर्ट है कि इसमें तुलनात्मक प्रणालियों के बीच सबसे कम डब्लूईआर और सीई आर हैं। इसका डब्लुईआर क्यूवेन 3-ओम्नी से 4.07 प्रतिशत अंक नीचे है, जो अगला सर्वश्रेष्ठ परिणाम है। संख्या इस मूल्यांकन में शब्द और चरित्र स्तर दोनों पर बेहतर प्रतिलेखन सटीकता दिखाती है।

संयुक्त अरब अमीरात का फोकस रिलीज के अधिक व्यावहारिक हिस्सों में से एक है। खाड़ी बोली शब्दावली, उच्चारण और कोड-स्विचिंग पैटर्न में एमएसए से भिन्न हो सकती है, और फोन रिकॉर्डिंग संपीड़न, पृष्ठभूमि शोर और स्पीकर ओवरलैप जोड़ती हैं। एक मॉडल जो केवल स्वच्छ स्टूडियो ऑडियो पर अच्छा प्रदर्शन करता है वह उन सेटिंग्स में विफल हो सकता है। इसलिए फाल्कन-एएसआर वास्तविक तैनाती में दिखाई देने वाले मैसीर ऑडियो को लक्षित करता है।

बहुभाषी समर्थन और टाइमस्टैम्प

फाल्कन-एएसआर खुद को अरबी तक सीमित नहीं करता है। यह एक ही मॉडल भार का उपयोग करके अंग्रेजी का अनुवाद भी करता है. Hugging Face Open ASR लीडरबोर्ड द्वारा इस्तेमाल किए गए सात सार्वजनिक अंग्रेजी परीक्षण सेटों पर टीआईआई के मूल्यांकन में, मॉडल ने 5.74% का औसत WER हासिल किया। यह फ्रेंच, स्पेनिश और पुर्तगाली भाषाओं का भी समर्थन करता है ।

सभी पांच भाषाएं एक ही भार का उपयोग करती हैं, बिना किसी भाषा ध्वज की आवश्यकता के। आउटपुट बोली जाने वाली भाषा में एक प्रतिलेख है। यह रिकॉर्डिंग के लिए उपयोगी है जहां स्पीकर भाषाओं के बीच स्विच करते हैं या जब कोई एप्लिकेशन नहीं जानता कि फ़ाइल में कौन सी भाषा दिखाई देगी।

मॉडल शब्द-स्तरीय टाइमस्टैम्प का भी समर्थन करता है। प्रत्येक ट्रांसक्रिप्टेड शब्द ऑडियो में अपनी स्थिति से जुड़ा हुआ है, जो उपयोगकर्ताओं को रिकॉर्डिंग में प्रासंगिक क्षण पर कूदने, खोज योग्य प्रतिलेख बनाने, उपशीर्षक बनाने या लंबी बैठक या कॉल में विशिष्ट वाक्यांशों की समीक्षा करने में मदद कर सकता है।

Meet Falcon ASR

प्रशिक्षण की शर्तें और मॉडल नींव

TII का कहना है कि फाल्कन-एएसआर अपने Falcon3-Audio काम पर बनाता है। फाल्कोन 3-ऑडियो के लिए वास्तुकला और प्रशिक्षण दृष्टिकोण कागज "Competitive Audio-Language Models Public Data पर डेटा -Efficient Single-Stage Training के साथ" में वर्णित हैं।

विभिन्न रिकॉर्डिंग स्थितियों के लिए मॉडल को तैयार करने के लिए, training data में पृष्ठभूमि शोर, ओवरलैपिंग भाषण, संगीत, कमरे प्रतिध्वनि और टेलीफोनी प्रभाव शामिल थे, साथ ही गति और पिच में भिन्नता थी। टीआईआई का कहना है कि यूएई की रिकॉर्डिग्स पर भी यही उपचार लागू किया गया था, जिससे मॉडल को उन परिस्थितियों से अवगत कराया जा सके जो उसे मीटिंगों, कॉल और अन्य रोजमर्रा के रिकॉर्डिंग में मिल सकती हैं।

धन्यवाद अनुभाग में फाल्कन-एमिराटी मॉडल के पीछे की टीम का नाम दिया गया है ताकि अरबी नींव मॉडलों के साथ समर्थन किया जा सके, जो कि फॉल्कॉन-एमीराटी ब्लॉग पोस्ट में उनके नवीनतम काम को इंगित करते हैं और कंप्यूटिंग इन्फ्रास्ट्रक्चर के साथ निरंतर सहायता के लिए Mikhail Lubinets क्रेडिट देते हैं।

किसको इसका उपयोग करना चाहिए/कौन इसे छोड़ना चाहिए

Hugging Face Demo Space उपयोगकर्ताओं को फाल्कन-एएसआर की कोशिश करने और इसकी प्रतिलेखन क्षमताओं का पता लगाने देता है।

उन टीमों के लिए जिन्हें वास्तविक रिकॉर्डिंग से अरबी ट्रांसक्रिप्ट की आवश्यकता होती है, सार्वजनिक बेंचमार्क परिणाम छह अरबी परीक्षण सेट में बेहतर प्रदर्शन का संकेत देता है, जबकि आंतरिक अमीरात मूल्यांकन कम सार्वजनिक मूल्यांकन संसाधनों वाली बोली पर बेहतर सटीकता को इंगित करता है। Hugging Face Open ASR-Leaderboard English टेस्ट सेट पर 5.74% औसत WER से पता चलता है कि मॉडल अरबी तक सीमित नहीं है। एक ही वजन वाले बहुभाषी डिजाइन मिश्रित-भाषा सेटिंग्स में तैनाती को आसान बना सकते हैं, जबकि नियोजित API और देशी एप्लिकेशन यह निर्धारित करेंगे कि इसे सीधे उत्पादों में कैसे एकीकृत किया जा सकता है।

यह उन डेवलपर्स, शोधकर्ताओं और उद्यमों के लिए उपयोगी हो सकता है जिन्हें बोली-जागरूक अरबी प्रतिलेखन, शब्द-स्तरीय टाइमस्टैम्प्स या अरबी, अंग्रेजी, फ्रेंच, स्पेनिश और पुर्तगाली के लिए एक एकल मॉडल की आवश्यकता होती है। यह उन टीमों के लिये खराब फिट हो सकती है जिन्हें आज उत्पादन-तैयार API, देशी एप्लिकेशन या औपचारिक तैनाती पथ की आवश्यकता है, क्योंकि वे सुविधाएँ केवल योजनाबद्ध रूप से वर्णित हैं।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.