OhanASR开源:亚美尼亚语专用ASR模型,流式版同步发布
Metric-AI 团队发布了首个开源亚美尼亚语自动语音识别模型 OhanASR。该系列包含针对录音优化的 v0.1 版本和用于实时场景的 Streaming 版本,在 ArmBench-ASR 基准测试中表现优异。文章详细解读了模型性能数据、适用场景及当前存在的局限性,为开发者提供技术参考。
亚美尼亚语为什么需要一套自己的ASR模型
小语种在自然语言处理里常碰上资源不足的难题。亚美尼亚语就是个典型:字母系统独特,文学传统也很久,可自动语音识别(ASR)这块一直缺高质量、可开源的基础模型。
2026 年 11 月,Metric-AI 社区团队把 OhanASR 放了出来。这是一套专为亚美尼亚语训练、权重开源的 ASR 模型。名字取自亚美尼亚史诗《萨松的勇士》里的传奇人物 Dzenov Ohan,此人的嗓音洪亮有力。团队借这个名字,寓意模型在捕捉语音时同样清晰、有力量。
对亚美尼亚语的数字基础设施来说,这次发布算是一次补充。开发者想做亚美尼亚语语音应用,或者拿它做语言学研究,都可以直接上手,把它当基础工具用。
两个版本,对应两类场景
首发一共两个版本,各自面向不同的使用需求做了优化:
OhanASR-v0.1 是基础版,主打录音文件的高精度转录。它建立在 20 亿参数的多语言模型架构之上,并用 820 小时的亚美尼亚语语音数据做了微调。训练数据覆盖面不小,新闻播报这类正式演讲有,日常对话和文学作品朗读也有。要处理会议记录、有声书或者采访录音,选这个版本比较合适。
OhanASR-Streaming-v0.1 是流式版,在 v0.1 基础上又加了训练,用来适配实时语音输入。它主打“增量转录”:音频流一边进来,文本一边逐字生成,不用等整段话说完再处理。延迟低,所以直播字幕、实时会议助手、语音交互界面这类场景都能用。
性能数据怎么看
衡量语音识别模型,一般看词错误率(WER)和字符错误率(CER)两项。数值越低,识别越准。Metric-AI 团队在 ArmBench-ASR 基准测试平台上把两个模型都评了一遍。
OhanASR-v0.1 的成绩
综合测试里,OhanASR-v0.1 的 WER 是 16.12%,CER 是 3.49%。在所有参测的开源和闭源模型中,它的 WER 排第二,CER 排第一。字符级别的精确度上,它属于目前表现最好的那一档。
落到各个数据集,表现有高有低:
- Common Voice 26:WER 9.62%,CER 只有 1.77%。众包语音清晰、标准,模型在这类数据上很稳。
- FLEURS:WER 10.78%,CER 2.03%。多语言平行语料库里,准确率依然不低。
- 诗歌(Poems):WER 升到 24.35%。诗歌里有不少非日常用语,韵律节奏也特殊,识别起来更难。
- 电影对白(Movies):WER 高到 42.61%。电影音频背景噪音复杂,口语省略和情感化表达又多,这是眼下所有 ASR 模型都头疼的地方。
- 新闻(News):WER 15.33%。新闻播音发音通常标准,但专有名词密集,模型在这个场景下表现中规中矩。
OhanASR-Streaming-v0.1 的成绩
流式模型要顾着实时性,精度上做了让步。综合 WER 19.07%,CER 4.47%。排行榜上,WER 排第 10,CER 排第 9。
绝对数值确实不如静态模型,但放到实时应用里,这个精度已经够用。Common Voice 和 FLEURS 两个数据集上,CER 分别压在 2.20% 和 2.52%,清晰语音的实时转录是靠谱的。
实际听感与转录效果
团队给了一段“Digitech 2026”科技会议的音频样本,用来直观展示模型能力。音频里混着 NVIDIA、OpenAI、AWS 等多家科技公司的名称,还有亚美尼亚语的地名和机构名。
OhanASR-v0.1 的转录结果如下:
2026 年的 դիջիթեք 将在埃里温办起来,把技术、商业和新的投资机会汇到一处;届时 NVIDIA、OpenAIA、AWS Mosilla、Revolute 以及另外几十个国际科技名字都会出现在亚美尼亚首都,这座城市也将成为人工智能领域区域性的会面场所。
这段转录里,夹杂在亚美尼亚语句子中的英文品牌名被模型准确抓到了,复杂长句的结构也识别正确。不过个别品牌名有轻微拼写偏差,比如 Mozilla 被识别成了 Mosilla,跨语言识别中这种情况并不少见。
流式模型的演示视频展现了它在时间轴上同步的能力。修正偶尔会延迟,但字幕整体生成顺畅,实时观看的需求可以满足。
开源协议与获取方式
两个模型都以 Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) 许可证发布。研究、教育和个人项目开发可以自由使用,直接拿来做商业产品则不行。
模型权重在 Hugging Face 平台上可以直接下载:
研究人员能把它当作一个宝贵的基线模型;应用开发者则可以拿它做语音助手、字幕工具或语音搜索功能的起点。
目前存在的局限
基准测试里 OhanASR 的表现不错,但真正部署之前,几个短板需要先弄清楚:
1. 正式语体与口语的混淆 亚美尼亚语的书面语和口语差别明显,模型有时会把两者混在一起,处理虚词时尤其明显,比如 «ա» 和 «է» 各自的使用场景就分不太准。生成的文本读起来语法上会有些生硬。
2. 代码切换(Code-switching)问题 说话人把英语、俄语或其他语言夹进亚美尼亚语时,模型的识别率会往下掉。它可能会拿亚美尼亚字母去拼外语单词,结果没法读。比如英文单词被强行音译成亚美尼亚字符,原文反而没保留下来。
3. 嘈杂环境下的漏词 背景噪音大、发音含糊的音频里,模型往往直接把难辨认的词省掉,不去猜。胡编乱造是避免了,信息缺失也跟着来了。
未来规划
OhanASR 目前只是第一个版本。团队表示,接下来会围绕三个方面推进:
一是提升识别准确率,重点是电影对白这类高难度场景;二是把流式模型的延迟压下来,让实时转录更顺滑;三是增强鲁棒性,让模型在不同口音、不同录音设备下都能稳定输出。
训练方面,该模型得到了 EuroHPC 联合项目的支持,用的是位于芬兰的 LUMI 超级计算机。这样的算力为处理大规模语音数据提供了保障。
亚美尼亚语技术生态里,OhanASR 补上了一块空白。它未必完美,但给了一个开放的起点。开发者不断加入、反馈持续积累,这个模型有望迭代得更成熟,让亚美尼亚语用户真正用上方便的语音技术服务。