Jais-ASR

IFM 的 Apache 2.0 阿拉伯语语音识别模型,识别真实口语:覆盖 19 个国家的方言,支持语码转换和可选的变音符号。

一句话概括. Jais-ASR 把阿拉伯语口语转成文字,包括现代标准阿拉伯语和 19 个阿拉伯国家的方言,说话人夹杂英语、法语、西班牙语或意大利语也能识别。它可以加上元音符号,告诉你听到的是哪种语言或方言,遇到没有人声的片段会直接说明,而不是编造文字。

概述

Jais-ASR 是 MBZUAI 基础模型研究院(IFM)的语音识别模型。它与 Jais 3 一同在 2026 年 10 月 15 日宣布,Hugging Face 仓库最早在 10 月 6 日出现。它基于 Jais-3-4B(即 3.7B 的 Jais 3 语言模型),包含音频部分在内的完整模型约有 57 亿参数,BF16 下占 11.4 GB。模型卡称它支持现代标准阿拉伯语和 19 个阿拉伯国家的方言,并能自然处理夹杂英语、法语、西班牙语和意大利语的语码转换。可选开关能加上变音符号,也能让外语片段保持原来的文字。每份转写都带有语言或方言标签。当片段里只有音乐或噪声时,模型会返回无转写标记和拒绝标志,而不是编造文字。

IFM 报告,在 Open Universal Arabic ASR Leaderboard 的六个测试集上,它的平均词错误率是 22.85%,平均字符错误率是 8.37%,使用的是排行榜自己的评分脚本。在 IFM 的表格里,这优于 Audar-ASR-V1-Turbo 的 23.17%、Speechmatics Melia 1 的 23.51% 和 ElevenLabs Scribe v2 的 24.54%,其后是 cohere-transcribe-arabic 的 25.87%、OmniASR-LLM-7B 的 28.32%、Qwen3-Omni-30B-A3B 的 30.71%、Qwen3-ASR-1.7B 的 33.36% 和 Voxtral-Small-24B 的 34.47%。Speechmatics 和 ElevenLabs 是 IFM 自己测的,开放模型的数字取自排行榜。分项数字就没这么一边倒:在 Common Voice 18 朗读语音上,Jais-ASR 得 8.56%,落后于 Cohere 版本的 5.82% 和 Speechmatics 的 5.19%;在 Casablanca 方言集上,它得 46.56%,Speechmatics 为 46.41%。

它可以通过 Transformers 加载(需要 trust_remote_code),也可以用随附的 vLLM 插件,通过兼容 OpenAI 的转写接口来部署。BF16 权重大约需要 12 GB 显存。IFM 还发布了 5.8 GB 的 AWQ 版本、FP8 和 MLX 版本,以及从 2.9 GB(IQ4_XS)到 5.4 GB(Q8_0)的 GGUF 文件,GGUF 需要另配一个多模态投影文件。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到主模型约 1.08 万次下载,AWQ 版本约 8000 次,GGUF 文件约 3000 次。在 IFM 的演示里,Jais-ASR 把转写出的语音交给 Jais 3,由 Jais 3 作为智能体执行这条语音指令。

适合做什么

  • 转写阿拉伯语的电话、广播、讲座和访谈,包括方言很重、噪声较大的音频
  • 阿拉伯语夹杂英语、法语、西班牙语或意大利语的双语语音
  • 需要元音符号的阿拉伯语文本,或希望每份转写都带方言标签的流程
  • 与 Jais 3 搭配的语音驱动阿拉伯语智能体

需要注意

  • 主要数字都来自 IFM 自己,Speechmatics 和 ElevenLabs 是 IFM 自己测的,不是取自排行榜
  • 在 Common Voice 这类干净的朗读语音上,它在 IFM 的表格里落后于最好的系统,所以要用自己的音频测试
  • 模型卡没有描述实时流式识别,BF16 下约需 12 GB 显存,比 Whisper large-v3-turbo 这类小型识别模型重得多
  • 它覆盖阿拉伯语和另外四种语言,不是通用的多语言转写

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 Jais-ASR 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
Jais-ASR (BF16) BF16 5.72B 11 GB 13 GB 笔记本或手机
Jais-ASR W4A16 AWQ INT4 5.72B 5.8 GB 6.67 GB 笔记本或手机
Jais-ASR GGUF Q4_K_M INT4 5.72B 3.16 GB 3.63 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。

进一步了解 Apache 2.0

延伸阅读

常见问题

Jais-ASR 是什么?
Jais-ASR 把阿拉伯语口语转成文字,包括现代标准阿拉伯语和 19 个阿拉伯国家的方言,说话人夹杂英语、法语、西班牙语或意大利语也能识别。它可以加上元音符号,告诉你听到的是哪种语言或方言,遇到没有人声的片段会直接说明,而不是编造文字。
Jais-ASR 可以商用吗?
可以。Jais-ASR 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
Jais-ASR 是开源的吗?
Jais-ASR 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 Jais-ASR 吗?
可以。最小版本 Jais-ASR GGUF Q4_K_M 在 4 位精度下约需 3.63 GB 内存,现代笔记本或中端显卡即可胜任。
Jais-ASR 是什么时候发布的?
Jais-ASR 由 Institute of Foundation Models (MBZUAI) 于 2026年10月15日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
Jais 3 Institute of Foundation Models (MBZUAI) 1.08B – 379B 激活 23B 512K Apache 2.0 (宽松) 0.745 GB 笔记本或手机
Cohere Transcribe Cohere 2.07B – Apache 2.0 (宽松) 4.75 GB 笔记本或手机
Qwen3-ASR Alibaba Qwen 918M – 2.35B – Apache 2.0 (宽松) 2.12 GB 笔记本或手机
Whisper large-v3-turbo OpenAI 810M – 1.54B – MIT (宽松) 6 GB 笔记本或手机