Falcon ASR é um modelo de voz aberto que fala português, mas ainda sem benchmark no idioma
A TII, de Abu Dhabi, publicou o Falcon ASR, modelo de reconhecimento de fala de 1,6 bilhão de parâmetros disponível no Hugging Face. Ele promete transcrever árabe, inglês, francês, espanhol e português com os mesmos pesos, mas só divulgou números de acurácia em árabe e inglês.
Lucas FerrazColunista· 5 min de leitura
Este artigo foi escrito por Lucas Ferraz. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
A Technology Innovation Institute (TII), de Abu Dhabi, publicou em 7 de outubro de 2026 o Falcon ASR, um modelo de reconhecimento automático de fala (ASR, a tecnologia que transforma áudio em texto) com 1,6 bilhão de parâmetros. O anúncio saiu no blog da organização no Hugging Face e, à primeira vista, parece mais um lançamento regional: o foco declarado é o árabe, com atenção especial ao dialeto emirati. Mas o modelo também transcreve inglês, francês, espanhol e português, usando o mesmo conjunto de pesos, sem precisar indicar o idioma de antemão.
Para quem desenvolve no Brasil, isso levanta uma pergunta direta: dá para trocar uma API paga de transcrição por um modelo aberto que roda localmente, nos próprios dados de voz em português? A resposta curta é que o material publicado pela TII não responde isso ainda, e é importante ser honesto sobre essa lacuna antes de instalar qualquer coisa.
O que a TII realmente mediu
Todo o esforço de benchmark do anúncio está em árabe e inglês. Em árabe, a equipe avaliou o Falcon ASR em seis conjuntos de teste do Open Universal Arabic ASR Leaderboard, mantido pelo ELM Research Center, e chegou a uma taxa média de erro por palavra (WER, Word Error Rate: a fração de palavras transcritas erradas) de 20,92%. O melhor resultado publicado nesse mesmo snapshot do leaderboard, conferido em 30 de setembro de 2026, era 23,17%, o que coloca o Falcon ASR 2,25 pontos percentuais à frente.
No dialeto emirati, a TII rodou uma avaliação interna com gravações e transcrições validadas por humanos, complementando o subconjunto público de Emirati que já existe no benchmark Casablanca. O resultado: 22,73% de WER e 10,19% de taxa de erro por caractere (CER, Character Error Rate). Segundo o anúncio, esse número fica 4,07 pontos percentuais abaixo do Qwen3-Omni, citado como o segundo melhor da comparação interna.
Em inglês, o modelo foi testado nos sete conjuntos públicos usados pelo Open ASR Leaderboard do próprio Hugging Face, com WER médio de 5,74%.
| Idioma | Métrica | Falcon ASR | Referência citada |
|---|---|---|---|
| Árabe (6 testsets) | WER | 20,92% | 23,17% (melhor publicado, snapshot de 30/set/2026) |
| Emirati (avaliação interna TII) | WER / CER | 22,73% / 10,19% | Qwen3-Omni: +4,07 p.p. de WER |
| Inglês (7 testsets públicos) | WER | 5,74% | Open ASR Leaderboard (Hugging Face) |
| Português | WER | não divulgado | não há leaderboard citado |
O anúncio da TII, em tradução:
Apresentamos o Falcon ASR, nosso modelo de reconhecimento de fala com 1,6 bilhão de parâmetros para o árabe, com atenção particular ao dialeto emirati.
We're introducing Falcon-ASR, our 1.6 billion parameter speech recognition model for Arabic, with a particular focus on the Emirati dialect.Equipe Falcon ASR, Technology Innovation Institute
Por que o português fica de fora da conta
O texto da TII diz, sem rodeios, que o modelo "também suporta francês, espanhol e português" e que a saída é "um transcript no idioma falado", sem precisar de uma flag indicando a língua. Isso é tecnicamente relevante: significa que o modelo foi treinado com dados multilíngues o bastante para detectar o idioma sozinho. Mas não existe, no anúncio, nenhum número de WER, CER ou qualquer outra métrica para o português.
Isso não quer dizer que o modelo transcreve mal em português. Quer dizer que ninguém mediu isso publicamente ainda, e que qualquer afirmação sobre a qualidade da transcrição em português, nesse momento, é especulação. Quem trabalha com ASR sabe que suporte a um idioma e qualidade de transcrição nesse idioma são coisas diferentes: o modelo pode ter visto pouquíssimo áudio em português no treinamento, mesmo reconhecendo a língua.
A base técnica do Falcon ASR é o trabalho anterior da TII em Falcon3-Audio, descrito no paper "Competitive Audio-Language Models with Data-Efficient Single-Stage Training on Public Data". O treinamento incluiu ruído de fundo, fala sobreposta, música, reverberação de ambiente e efeitos de linha telefônica, além de variações de velocidade e tom de voz, tratamento aplicado também às gravações em emirati. Não há indicação, no material publicado, de que esse mesmo cuidado de robustez tenha sido documentado especificamente para o português.
Como testar hoje, sem esperar por uma API
A TII deixou claro que acesso via API e aplicativos nativos ainda estão em planejamento, não disponíveis agora. O caminho disponível em 8 de outubro de 2026 é o Space de demonstração publicado no Hugging Face, onde qualquer pessoa pode subir uma gravação própria e ver a transcrição gerada.
Para quem quer avaliar se o modelo serve para português antes de qualquer decisão de produção, o caminho mais honesto é:
- Reunir uma amostra de áudios reais do seu caso de uso (atendimento, reunião, nota de voz) com transcrição de referência feita por humano.
- Rodar essas gravações no Space de demonstração e comparar a saída, palavra por palavra, com a referência.
- Calcular o próprio WER sobre essa amostra, já que a TII não publicou esse número para o português.
- Repetir o teste com condições reais de ruído (ligação telefônica, ambiente aberto), porque o anúncio mostra que o modelo foi treinado para isso em árabe e inglês, mas não comprova o mesmo para português.
Esse roteiro de avaliação, não o anúncio em si, é o que decide se o Falcon ASR serve para um projeto concreto em português.
O que muda (e o que não muda) para quem desenvolve
O ponto forte do anúncio é a abertura: o modelo está publicado no Hugging Face, com pesos acessíveis, o que elimina custo por chamada ou por minuto de áudio transcrito, típico de APIs comerciais de reconhecimento de fala. Em troca, quem opta por rodar o Falcon ASR localmente assume o custo de infraestrutura, GPU para inferência de um modelo de 1,6 bilhão de parâmetros, versus o custo previsível e por uso de um serviço gerenciado. A TII não publicou números de latência nem de throughput, então esse cálculo de custo de infraestrutura fica por conta de quem for testar.
O fato de API e aplicativos nativos ainda estarem "planejados" também importa: hoje não existe um contrato de SLA, nem endpoint estável, para quem quisesse colocar o modelo em produção sem gerenciar a própria hospedagem. O modelo está pronto para teste e pesquisa; para produção, falta a camada de serviço que a própria TII diz que ainda vai construir.
O maior ganho real, por enquanto, é poder comparar: rodar o Falcon ASR lado a lado com o Whisper ou com a API de transcrição que já está em uso, sobre o mesmo lote de áudios em português, e decidir com dado próprio, não com o número que a TII divulgou para o árabe.
Fonte: Hugging Face Blog
Cobre a parte técnica da inteligência artificial para quem constrói e opera sistemas: desenvolvedores, analistas e times de TI. Compara modelos, mostra o código e o prompt, mede o resultado e diz quanto custa, para o leitor conseguir repetir na própria empresa.
