AudarAI/Audar-ASR-V1

解决的问题

Audar-ASR-V1 为阿拉伯语提供高精度的语音转文字转录，特别针对阿拉伯语方言（如海湾/阿联酋、埃及、黎凡特和马格里布方言）以及阿拉伯语-英语混用语音的挑战。其目标是在这些特定语言特征上超越通用语音识别系统的表现。

工作原理

该项目采用生成式语音识别方法，将转录视为音频条件下的下一个词元预测。它基于开源权重的音频大语言模型（audio-LLM）基础，并利用超过30万小时的标注音频数据进行适配。训练过程包含四阶段课程，最终通过母语阿拉伯语标注员的 KTO 偏好对齐完成。

在架构上，采用 Whisper 风格的 128-mel 音频编码器，搭配 Qwen3 解码器。提供两个版本：

• Flash：小型实时模型（0.78B 参数），适用于边缘设备和本地部署。
• Turbo：更大、更准确的模型（2.35B 参数），适用于复杂方言和长音频。

适用人群

开发语音代理、实时字幕服务，以及需要高精度转录阿拉伯语方言和英语的应用程序的开发者，支持总计 30 种语言。

主要亮点

• 业界领先性能：Turbo 版本在 Open Universal Arabic ASR Leaderboard 上排名第一。
• 方言忠实：专门针对主要阿拉伯语方言和代码切换场景进行优化。
• 灵活部署：支持多种运行时，包括 Hugging Face Transformers、GGUF（通过 llama.cpp）、vLLM（GPU 服务）。
• 流式处理能力：采用「LocalAgreement-2」策略，实现稳定、增量式输出，延迟低于 250ms。
• 高效扩展：两个版本共享相同提示接口，开发者无需修改代码即可在 Flash 和 Turbo 之间切换。