O Technology Innovation Institute, sediado em Abu Dhabi, revelou o Falcon ASR, um novo modelo de reconhecimento automático de fala composto por 1,6 bilhão de parâmetros. Desenvolvido para lidar com as complexidades da língua árabe e suas variações regionais, a ferramenta também é capaz de transcrever conteúdos em português, inglês, francês e espanhol de forma nativa.
A proposta do projeto é resolver uma das maiores barreiras no processamento de áudio moderno: a transição entre o idioma formal e as conversas do dia a dia. Modelos tradicionais costumam falhar ao passar de transmissões jornalísticas estruturadas para chamadas telefônicas ou diálogos informais, onde o uso de dialetos e a alternância entre línguas são frequentes.
Desempenho em testes e suporte multilíngue
Para validar a eficácia do sistema, os desenvolvedores testaram o Falcon ASR contra bases de dados públicas e internas. Na avaliação da plataforma Open Universal Arabic ASR Leaderboard, mantida pelo ELM Research Center, o modelo obteve uma taxa média de erro de palavra de 20,92% em seis conjuntos de testes. O resultado representa uma melhoria de 2,25 pontos percentuais em relação à melhor marca publicada na captura de dados consultada em 30 de setembro de 2026.
Em testes focados no dialeto emiradense, a tecnologia registrou uma taxa de erro de palavra de 22,73% e uma taxa de erro de caractere de 10,19%. Esse desempenho superou outros sistemas comparados na análise interna, como o Qwen3-Omni, garantindo uma margem de 4,07 pontos percentuais abaixo do segundo colocado no índice de erro de palavras.
O treinamento do modelo incluiu condições acústicas adversas para simular cenários reais. A equipe expôs o sistema a ruídos de fundo, falas sobrepostas, músicas, reverberação de ambientes e distorções típicas de ligações telefônicas, além de variações de tom e velocidade de fala.
Outro diferencial técnico é a capacidade multilíngue sem a necessidade de sinalizar o idioma de entrada. Utilizando os mesmos pesos de rede para todas as línguas suportadas, o sistema identifica e gera a transcrição diretamente no idioma falado. Em testes com a língua inglesa, o modelo alcançou uma taxa média de erro de palavra de 5,74% ao passar pelos sete conjuntos de avaliação pública da plataforma Hugging Face.
O Falcon ASR também gera marcações temporais no nível das palavras, vinculando cada termo transcrito à sua posição exata no arquivo de áudio. Baseado na arquitetura do Falcon3-Audio, o modelo já está disponível para testes em uma demonstração na plataforma Hugging Face, com planos para a liberação de acesso via API e aplicativos nativos.
O que isso muda para você
A chegada de modelos de voz com capacidade multilíngue direta e alta resistência a ruídos transforma a automação de processos em empresas brasileiras. A funcionalidade de transcrição nativa em português — que opera sem a necessidade de especificar o idioma antes do processamento — simplifica a arquitetura de softwares que lidam com atendimento ao cliente, reuniões gravadas e arquivos mortos de áudio.
Para profissionais de tecnologia e produto, o suporte integrado a múltiplos idiomas e a geração de marcas temporais por palavra abrem caminho para sistemas de busca mais precisos dentro de mídias de áudio. Isso permite localizar momentos exatos em chamadas de suporte ou reuniões de equipe com menor margem de erro, mesmo quando a gravação apresenta ruídos de fundo ou variação na qualidade do som.
Como próximo passo prático, desenvolvedores podem acessar a demonstração pública do Falcon ASR no Hugging Face para submeter arquivos de áudio em português com ruído ambiente. Avaliar a precisão das marcas temporais e a retenção de palavras em conversas informais ajudará a determinar se o modelo já pode ser integrado aos fluxos de trabalho da sua empresa.

