AudarAI/Audar-ASR-V1

解決的問題

Audar-ASR-V1 提供高精度的阿拉伯語語音轉文字轉錄，特別針對阿拉伯語方言（如海灣/阿聯酋、埃及、黎凡特及馬格里布方言）以及阿拉伯語-英語混用語音的挑戰。其目標是在這些特定語言特徵上超越通用語音辨識系統的表現。

工作原理

本專案採用生成式語音辨識方法，將轉錄視為音訊條件下的下一個詞元預測。基於開源權重的音訊大語言模型（audio-LLM）基礎，並利用超過30萬小時的標註音訊資料進行適配。訓練過程包含四階段課程，最終透過母語阿拉伯語標註員的 KTO 偏好對齊完成。

在架構上，採用 Whisper 風格的 128-mel 音訊編碼器，搭配 Qwen3 解碼器。提供兩個版本：

• Flash：小型即時模型（0.78B 參數），適用於邊緣裝置與本地部署。
• Turbo：更大、更精確的模型（2.35B 參數），適用於複雜方言與長音訊。

適用對象

開發語音代理、即時字幕服務，以及需要高精度轉錄阿拉伯語方言與英語的應用程式的開發者，支援總計 30 種語言。

主要亮點

• 業界領先性能：Turbo 版本在 Open Universal Arabic ASR Leaderboard 上排名第一。
• 方言忠實：專門針對主要阿拉伯語方言與代碼切換場景進行優化。
• 靈活部署：支援多種執行環境，包括 Hugging Face Transformers、GGUF（透過 llama.cpp）、vLLM（GPU 服務）。
• 串流處理能力：採用「LocalAgreement-2」策略，實現穩定、增量式輸出，延遲低於 250ms。
• 高效擴展：兩個版本共享相同提示介面，開發者無需修改程式碼即可在 Flash 和 Turbo 之間切換。