按头安利：AudarAI —— 阿拉伯语 ASR 排行榜第一，还顺手做了个打赢 GPT-4o 的 TTS

Must Know: AudarAI — #1 Arabic ASR, Plus a TTS That Beats GPT-4o-mini

Research #语音AI#开源模型#阿拉伯语#ASR#TTS
更新于
🇨🇳 中文

Audar-ASR-V1：github.com/AudarAI/Audar-ASR-V1 · ⭐ 296 · Apache-2.0
Audar-TTS-V1：github.com/AudarAI/Audar-TTS-V1 · ⭐ 9 · Apache-2.0

为什么值得关注

阿拉伯语有 4.2 亿母语使用者，但在语音 AI 领域长期处于英语和中文的边缘地带。AudarAI 同时开源了 ASR 和 TTS 两条线，都把”阿拉伯语优先”写进了架构设计——不是把英语模型微调一下，而是从训练数据和模型结构上重新来过。

两个模型同时拿出了有说服力的基准数字：ASR 端登顶了目前最权威的开放阿拉伯语评测榜，TTS 端在 MSA（现代标准阿拉伯语）上的胜率显著高于 GPT-4o-mini-TTS（p=0.008），在海湾方言上的 WER 低于 ElevenLabs v3。

Audar-ASR-V1：ASR 排行榜第一

架构

不是 Whisper 微调。Audar-ASR 的核心是把Whisper 编码器和Qwen3 解码器拼在一起——用 Whisper 成熟的音频特征提取能力，用 Qwen3 更强的语言建模能力来做解码。

这种”杂交”架构的优势在于：Qwen3 的阿拉伯语语言知识比 Whisper 的解码器深得多，在方言词汇和语境纠错上能表现更好。

训练规模

  • 300,000+ 小时阿拉伯语音频训练
  • 覆盖 MSA（现代标准阿拉伯语）+ 5 种主要方言（埃及、海湾、黎凡特、马格里布、伊拉克）
  • 支持 30 种语言的多语言识别（阿拉伯语为主，其余语言作为扩展）

两个层级

FlashTurbo
参数量0.78B2.35B
HF Transformers✅❌
GGUF✅✅
适合场景本地部署、边缘设备、低延迟 API高精度转录、服务端批处理

Flash 同时支持 HF Transformers 和 GGUF，可以在消费级 GPU 甚至 CPU 上运行；Turbo 目前只有 GGUF，面向追求精度的服务端场景。

排行榜成绩

在 Open Universal Arabic ASR Leaderboard（36 个系统参与，覆盖 Whisper large-v3、MMS、SeamlessM4T 等主流模型）上，Audar-ASR-V1 Flash 和 Turbo 均排名第一。

评测集包含 MSA 和多种方言混合数据，是目前阿拉伯语 ASR 最全面的公开比较基准。

流式推理

内置 LocalAgreement-2 流式解码策略，API 延迟低于 250ms。这是实时字幕、语音助手等场景的硬性门槛，Audar-ASR 开箱即达。

快速上手

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="AudarAI/Audar-ASR-V1-Flash",
    device="cuda"
)

result = pipe("audio.wav")
print(result["text"])

GGUF 版本可以直接用 llama.cpp 或 whisper.cpp 加载，不需要 PyTorch 环境。

Audar-TTS-V1：打赢 GPT-4o-mini-TTS 的零样本克隆

三个层级

FlashTurboPro
参数量0.55B1.64B4B
情感标签数8817
音频输出24kHz24kHz24kHz
适合场景本地/边缘平衡最高质量

三个层级都支持零样本声音克隆——给 5–15 秒的参考音频，模型就能用这个声音合成任意文本，不需要专门的 fine-tune。

不需要音素转换器

传统 TTS 系统在阿拉伯语上有一个大坑：阿拉伯语书写通常不标 Harakat（短元音符号），TTS 系统需要先把文字转换成带音素标注的中间形式，再合成语音。这个步骤很容易出错，也增加了系统复杂度。

Audar-TTS 的设计绕开了这个问题——不需要外部音素转换器，模型直接从原始阿拉伯语文本生成语音，语境消歧在模型内部完成。

情感标签系统

Flash 和 Turbo 支持 8 种情感标签，Pro 支持 17 种：

[laughs] [whispers] [sighs] [crying] [shouting]
[excited] [calm] [nervous] ...（Pro 版扩展到 17 个）

在文本里插入标签，模型就会在对应位置改变语气和情感色彩。比如：

"我没想到会这样。[sighs] 不过也好，就这样吧。"

这对有声读物、对话系统、情感化 IVR 等场景很有价值。

基准成绩

  • MSA 评测：偏好测试中显著击败 GPT-4o-mini-TTS（p=0.008），不是微弱优势
  • 海湾方言 WER：低于 ElevenLabs v3

这两个对比都针对商业闭源系统，Apache-2.0 开源模型能打出这个成绩，意味着不需要商业订阅就能部署可用的阿拉伯语 TTS。

快速上手

from audar_tts import AudarTTS

tts = AudarTTS.from_pretrained("AudarAI/Audar-TTS-V1-Flash")

# 零样本声音克隆
audio = tts.synthesize(
    text="مرحباً بكم في عالم الذكاء الاصطناعي الصوتي",
    reference_audio="reference.wav",    # 5-15秒参考音频
    emotion_tags=True
)
audio.save("output.wav")

AudarAI 是谁

AudarAI 是一家专注阿拉伯语 AI 的公司，目前公开的团队规模较小，但两个模型同时开源的时间节点和基准数字都很有说服力。Apache-2.0 许可意味着商业使用无障碍。

从两个模型的设计来看，AudarAI 在做的事情不是”把英文模型适配到阿拉伯语”，而是针对阿拉伯语的特殊性（方言多样性、不标元音的书写系统、右到左的文字方向）重新设计了系统。

适合的使用场景

  • 实时字幕 / 会议记录：Flash 级别的速度和精度，支持多方言混用场景
  • 有声读物 / 播客制作：零样本声音克隆 + 情感标签，不需要专业配音演员
  • 客服 IVR 系统：完整 ASR + TTS 闭环，可本地部署，不依赖云端 API
  • 语言学习应用：多方言支持，可以合成特定方言的示范音频
  • 媒体归档转录：300K 小时训练数据覆盖了大量方言变体

ASR 仓库：github.com/AudarAI/Audar-ASR-V1
TTS 仓库：github.com/AudarAI/Audar-TTS-V1

© 2026 Author: Mycelium Protocol

🇬🇧 English

Must Know: AudarAI — #1 Arabic ASR, Plus a TTS That Beats GPT-4o-mini

Audar-ASR-V1: github.com/AudarAI/Audar-ASR-V1 · ⭐ 296 · Apache-2.0
Audar-TTS-V1: github.com/AudarAI/Audar-TTS-V1 · ⭐ 9 · Apache-2.0

What AudarAI Did

AudarAI open-sourced two Arabic speech models simultaneously — ASR and TTS — both built Arabic-first rather than adapted from English systems.

Arabic has 420 million native speakers but has historically been underserved in speech AI. AudarAI addresses the core challenges: dialect diversity (MSA + 5 regional dialects), the unvoweled Arabic script that trips up TTS systems, and the shortage of high-quality training data.

Audar-ASR-V1: Top of the Leaderboard

Architecture: Whisper encoder + Qwen3 decoder. Uses Whisper’s proven audio feature extraction with Qwen3’s stronger language modeling for decoding — giving the model deeper Arabic linguistic knowledge than Whisper-only approaches.

Training: 300,000+ hours of Arabic audio covering MSA, Egyptian, Gulf, Levantine, Maghrebi, and Iraqi dialects, plus 30-language multilingual support.

Two tiers:

  • Flash (0.78B): HF Transformers + GGUF, runs on consumer GPUs or CPU
  • Turbo (2.35B): GGUF only, server-side high-accuracy transcription

Result: Both Flash and Turbo ranked #1 on the Open Universal Arabic ASR Leaderboard (36 competing systems including Whisper large-v3, MMS, SeamlessM4T).

Streaming: Built-in LocalAgreement-2 decoding, sub-250ms API latency.

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="AudarAI/Audar-ASR-V1-Flash",
    device="cuda"
)
result = pipe("audio.wav")
print(result["text"])

Audar-TTS-V1: Zero-Shot Cloning Without a Phonemizer

Three tiers: Flash (0.55B) · Turbo (1.64B) · Pro (4B), all outputting 24kHz audio.

Zero-shot voice cloning: 5–15 seconds of reference audio is enough to clone a voice — no fine-tuning required.

No phonemizer needed: Arabic is typically written without short vowels (Harakat), requiring a text-to-phoneme conversion step before synthesis. Audar-TTS handles disambiguation internally, removing a major source of errors.

Expression tags: Flash/Turbo support 8 tags ([laughs], [whispers], [sighs], [crying], etc.), Pro supports 17. Inline in text, they modulate tone and emotion at that position.

Benchmarks:

  • Significantly preferred over GPT-4o-mini-TTS on MSA (p=0.008)
  • Lower WER than ElevenLabs v3 on Gulf dialect
from audar_tts import AudarTTS

tts = AudarTTS.from_pretrained("AudarAI/Audar-TTS-V1-Flash")
audio = tts.synthesize(
    text="مرحباً بكم في عالم الذكاء الاصطناعي الصوتي",
    reference_audio="reference.wav",
    emotion_tags=True
)
audio.save("output.wav")

Use Cases

  • Real-time transcription / meeting notes: multi-dialect support, sub-250ms latency
  • Audiobooks / podcast production: zero-shot cloning + emotion tags, no voice actor needed
  • Customer service IVR: full ASR + TTS pipeline, self-hosted, no cloud API dependency
  • Language learning apps: dialect-specific audio synthesis
  • Media archive transcription: 300K-hour training set covers a broad range of dialect variants

Apache-2.0 license — commercial use is unrestricted.

ASR: github.com/AudarAI/Audar-ASR-V1
TTS: github.com/AudarAI/Audar-TTS-V1

© 2026 Author: Mycelium Protocol

相关文章

Research

Audio8-ASR-0.1B：0.1B 参数，LibriSpeech 2.70 WER，iPhone 本地跑只占 200MB
Research

发布 7 天：Agents-A1 登上 HuggingFace 首页，社区版本超过 50 个
Research

32B 小模型逼近 GPT-5.2：S1-DeepResearch 如何用数据而非参数训练长程研究 Agent

💬 评论与讨论

使用 GitHub 账号登录后发表评论