アラブ首長国連邦のTII、エミレーツ方言に強い16億パラメータの音声認識モデル「Falcon-ASR」を発表

要点

• アラブ首長国連邦（UAE）のテクノロジーイノベーション研究所（TII）が、16億パラメータの音声認識モデル「Falcon-ASR」を発表した。

• アラビア語、とりわけエミレーツ方言の日常会話認識に重点を置いて開発され、英語やフランス語など計5言語に対応する。

• 6つのアラビア語テストセットを用いた評価において、平均単語誤り率20.92%を記録し、既存の公開ベンチマーク記録を2.25ポイント更新した。

• 研究所内部のエミレーツ方言評価では、次点モデルの「Qwen3-Omni」を単語誤り率で4.07ポイント上回り、比較対象の中で最高水準の精度を達成した。

• 書き起こしテキストと音声の位置を正確に対応づける単語レベルのタイムスタンプ機能も備えている。

• アラブ首長国連邦（UAE）アブダビのテクノロジーイノベーション研究所（TII）は2026年10月7日、アラビア語の書き起こしに特化した16億パラメータ規模の音声認識モデル「Falcon-ASR」を発表した。同モデルは公的な場面で使われる標準的なアラビア語だけでなく、日常会話で用いられるエミレーツ方言をはじめとした多様な地域表現を高精度に認識できるよう設計されているという。複数の公開テストセットや研究所内部の評価環境において、既存の主要システムを上回る認識精度を記録したことが公表されている。

方言や日常会話への対応を目指した開発背景

アラビア語の音声認識（音声をテキストデータに変換する技術）においては、話者の出身地域や録音環境によって発音や語彙の差異が非常に大きい点が長年の課題とされてきた。公的なニュース放送などで用いられる現代標準アラビア語（ニュースや公的文書で共通して用いられる標準語、MSA）に対応したモデルであっても、UAEの地域方言であるエミレーツ方言による会話や、電話回線を通じて録音された音声に対しては正確に書き起こすことが困難な場合が多かったという。

さらに、方言のアラビア語は現代標準アラビア語と比較して文字起こしされたリソースが少なく、モデルの学習や性能評価を行うこと自体が難しいという問題があった。TIIの開発チームはこうした課題に対応するため、Falcon-ASRの学習データとしてエミレーツ方言や現代標準アラビア語に加え、他の湾岸地域やアラブ諸国の方言、そして英語を採用したと説明している。日常会話で人々が実際に口にする言葉や方言の言い回し、さらには会話の途中で言語が切り替わる現象にも適応できる認識モデルの構築を目指したとしている。

アラビア語ベンチマークで既存記録を2.25ポイント上回る精度を達成

公開された評価結果によると、Falcon-ASRは汎用的なアラビア語の音声認識テストにおいて既存モデルを上回る性能を示している。今回の評価は、サウジアラビアのELM Research Centerが運営する「Open Universal Arabic ASR Leaderboard」の規定プロトコルに準拠して行われた。同リーダーボードは、6つのテストセットにおける等加重平均の単語誤り率（認識結果における単語の誤り割合を示す指標で、数値が低いほど高精度とされる、WER）および文字誤り率（CER）によって各システムの性能を順位付けしている。

Falcon-ASRはリーダーボードで固定指定されているデータを用いてこれら6つのベンチマークで検証され、平均WERで20.92%を記録した。2026年9月30日時点で同リーダーボード上で公開されていた最良の記録は23.17%であったため、Falcon-ASRはこれを2.25パーセントポイント上回る（誤り率を改善する）成果を達成した形となった。

エミレーツ方言の独自評価で「Qwen3-Omni」を凌駕

エミレーツ方言の認識精度についても、公開データセットと独自データの双方を用いた詳細な検証が実施された。既存の公開評価データセット「Casablanca」にもUAEの方言サブセットが含まれているが、TIIはこれに加えて独自に収集したエミレーツ方言および湾岸地域の方言音声による内部評価を実施した。この内部テストでは、公開データに含まれない未公開の音声録音と、人手によって検証された文字起こしデータが評価用として使用されている。

この内部エミレーツ評価において、Falcon-ASRは単語誤り率（WER）で22.73%、文字誤り率（CER）で10.19%を記録した。これは比較対象となったすべてのシステムの中で最も低い誤り率であり、単語レベルと文字レベルの双方で高い認識精度を実証している。比較対象の中で次点となった「Qwen3-Omni」の記録と比較しても、Falcon-ASRのWERは4.07パーセントポイント低く、明確な性能差を示す結果となったと報告されている。

多言語サポートと単語単位のタイムスタンプ機能

Falcon-ASRはアラビア語に主眼を置いて設計されているものの、英語、フランス語、スペイン語、ポルトガル語の4言語にも対応している。これにより、アラビア語圏における多言語混在の環境や国際的な用途にも幅広く適応可能な仕様となっている。

機能面では、文字起こし結果に対して単語レベルのタイムスタンプを付与する機能がサポートされている。これは認識された個々の単語と音声データ内の時間的な該当位置を結びつけるものであり、音声データの頭出し再生や精密な字幕の生成などに活用できるという。

なお、同モデルの動作や性能を直接確認できる環境として、機械学習プラットフォームのHugging Face Spaces上にデモページ「falcon-asr-demo」が開設されている。