Speech-to-Text tut sich mit arabischen Dialekten schwer, weil sie sich vom modernen Hocharabisch (Modern Standard Arabic, MSA) in Lauten, Wörtern und Schreibweise unterscheiden und die Sprecher Englisch oder Französisch einmischen. Um zu wissen, wie ein Anbieter abschneidet, bauen Sie aus Ihrem echten Audio ein kleines Testset pro Dialekt und bewerten jeden Dialekt getrennt.
Ein Anrufer aus Riad, eine Sprachnachricht aus Kairo und ein Supportanruf aus Casablanca sind alle „Arabisch“, und ein Modell kann das Erste gut und das Dritte schlecht verarbeiten.
Dieser Beitrag erklärt, was jede große Dialektgruppe für die Spracherkennung schwierig macht und wie Sie einen Test bauen, der zeigt, was ein Anbieter mit Ihren Dialekten leistet. Die allgemeine Einkaufs-Checkliste (Preis, Limits, Datenschutz) finden Sie im Ratgeber für arabische Speech-to-Text-APIs.
Warum sind arabische Dialekte für die Spracherkennung schwierig?
Vier Probleme kommen zusammen:
- Andere Laute. Derselbe Buchstabe wird je nach Region unterschiedlich ausgesprochen, das akustische Modell muss also mehrere Laute einer Schreibweise zuordnen.
- Andere Wörter. Alltagswörter unterscheiden sich je nach Dialekt. Ein Modell, das überwiegend mit MSA trainiert wurde, „korrigiert“ ein Dialektwort womöglich in sein formelles Gegenstück, und das zählt als Fehler, wenn Ihre Referenz wörtlich ist.
- Keine Standardschreibweise. Dialekte werden informell geschrieben, sodass selbst zwei menschliche Transkribierende uneins sind. Auch die Trainingsdaten sind ungleich verteilt: Eine Studie von 2024 zur Dialektabdeckung stellt fest, dass bestehende ASR-Systeme „mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects“ (Übersetzung: „hauptsächlich die Varietät des modernen Hocharabisch (MSA) und wenige ressourcenreiche Dialekte abdecken“) (arXiv 2411.05872).
- Code-Switching. Sprecher wechseln mitten im Satz ins Englische oder Französische. Der Datensatz Casablanca, der acht Dialekte abdeckt, annotiert Code-Switching zusammen mit Dialekt und Geschlecht.
Das Paper zum Open Universal Arabic ASR Leaderboard (Interspeech 2025) bewertet Open-Source-Modelle aus genau diesem Grund über mehrere Testsets mit mehreren Dialekten: Ein einziger Arabisch-Wert verdeckt die Streuung.
Woran scheitert die Spracherkennung bei den einzelnen arabischen Dialekten?
| Dialektgruppe | Wo | Typische Problemstellen für ASR |
|---|---|---|
| Golf (Khaleeji) | Saudi-Arabien, VAE, Kuwait, Katar, Bahrain, Oman | Eingemischte englische Produktnamen, Zahlen und Markenbegriffe; regionale Aussprache von Qaf und Kaf |
| Ägyptisch | Ägypten | Dschim als hartes g ausgesprochen; Qaf oft als Knacklaut; in den Medien sehr verbreitet, Modelle sehen davon also meist mehr |
| Levantinisch | Syrien, Libanon, Jordanien, Palästina | Städtisches Qaf als Knacklaut; Französisch oder Englisch eingemischt, besonders im Libanon |
| Maghrebinisch (Darija) | Marokko, Algerien, Tunesien, Libyen | Am weitesten vom MSA entfernt; kurze Vokale fallen weg; viel Code-Switching mit Französisch; Lehnwörter aus dem Amazigh |
| Irakisch | Irak | Eigener Wortschatz und eigene Aussprache; weniger öffentliches Trainingsaudio |
Das sind Tendenzen, keine Regeln. Städtische und ländliche Sprache unterscheiden sich innerhalb jeder Gruppe, und jüngere Sprecher wechseln häufiger die Sprache. Entscheidend ist: Jede Gruppe scheitert auf ihre eigene Weise, also bewerten Sie jede Gruppe für sich.
Wie baut man ein Testset für arabische Dialekte?
1. Echtes Audio pro Dialekt auswählen
Ziehen Sie 30 bis 50 Clips pro Dialekt aus dem Kanal, den Sie in Produktion betreiben werden: Telefonanrufe, WhatsApp-Sprachnachrichten, Besprechungsaufnahmen. Telefonaudio mit 8 kHz verhält sich anders als Studioaudio. Kennzeichnen Sie jeden Clip mit seinem Dialekt und markieren Sie Clips, die Englisch oder Französisch enthalten.
2. Zuerst eine Schreibkonvention vereinbaren
Bevor jemand eine Referenz schreibt, legen Sie fest:
- Wörtlicher Dialekt (schreiben, was gesagt wurde, in Dialektschreibweise), oder
- Normalisiert (auf eine einheitliche Form abbilden).
Halten Sie die Entscheidung mit Beispielen schriftlich fest. Sind die Referenzen wörtlich und gibt das Modell MSA-ähnliche Wörter aus, sieht die WER furchtbar aus, selbst wenn die Bedeutung stimmt. Keine der beiden Varianten ist falsch. Sie muss zu dem passen, was Ihr nachgelagertes System braucht.
3. Referenzen für 10 Clips pro Dialekt schreiben
Lassen Sie sie von Muttersprachlern des jeweiligen Dialekts transkribieren. Legen Sie für Clips mit Code-Switching fest, ob englische Wörter in lateinischer Schrift bleiben, und wenden Sie das überall an.
4. Beide Seiten normalisieren, dann messen
Entfernen Sie Diakritika, vereinheitlichen Sie die Alef-Formen (إ أ آ zu ا) und das finale Ya (ى zu ي), entfernen Sie Satzzeichen und wandeln Sie ostarabische Ziffern in westliche um. Berechnen Sie dann:
| Metrik | Warum |
|---|---|
| WER pro Dialekt | Das Standardmaß; streng bei Klitika und Präfixen |
| CER pro Dialekt | Verzeiht Schreibvarianten eher |
| Entitätsgenauigkeit | Anteil der exakt transkribierten Zahlen, Daten und Namen |
| WER der Code-Switching-Gruppe | Zeigt, ob englische oder französische Wörter erhalten bleiben |
Das Paket jiwer berechnet WER und CER; Arabische WER erklärt enthält eine wiederverwendbare Normalisierungsfunktion und ein Rechenbeispiel, wie stark sie den Wert verändert.
5. Die Transkripte lesen
Zahlen entscheiden, ob ein Callcenter- oder Banking-Workflow funktioniert. Lesen Sie 20 Transkripte pro Dialekt und prüfen Sie jede Zahl, jedes Datum und jeden Namen von Hand.
Was sagen veröffentlichte WER-Werte für Arabisch aus?
Öffentliche Benchmarks geben eine Richtung vor, kein Versprechen. BroadNet veröffentlicht in seinem Modellkatalog drei WER-Werte für BroadNet Transcribe Arabic: 3,8 auf FLEURS-ar (sauber vorgelesene Sprache), 21,1 auf MASC-ar (gemischte Sprache aus der Praxis) und 23,4 auf seinem eigenen Dialektset. Das ist für dasselbe Modell ein Sprung um das Sechsfache zwischen vorgelesener Sprache und Dialektsprache, und genau deshalb testen Sie mit Ihren eigenen Dialekten.
Wenn Sie Anbieter vergleichen, vergleichen Sie sie auf demselben Testset. Ein Leaderboard wie das Open Universal Arabic ASR Leaderboard ist nützlich, weil jedes Modell auf dieselbe Weise bewertet wird. Der eigene Wert eines Anbieters auf seinem eigenen Set ist mit dem eines anderen Anbieters nicht vergleichbar.
Welches LLM sollte Dialekt-Transkripte lesen?
Transkripte landen meist bei einem LLM: um einen Anruf zusammenzufassen, ein Ticket weiterzuleiten oder eine Frage zu beantworten. Dieses Modell muss Dialekt ebenfalls lesen können. Unser Leitfaden zur Wahl eines LLM für Arabisch zeigt, wie Sie das testen, und Qwen3.8 27B ist das Modell, das BroadNet mit Golf- und ägyptischem Dialekt getestet hat.
Wo BroadNet Inference einzuordnen ist
BroadNet Transcribe Arabic ist für Arabisch einschließlich der Dialekte gebaut und kostet $0.0042 pro Minute ($0.25 pro Stunde). BroadNet meldet für das Modell im Open Universal Arabic ASR Leaderboard #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39) und Platz 1 unter den Modellen, deren Lizenz den Betrieb per API erlaubt. Für Zahlen, Daten und Namen in verrauschtem Audio bietet BroadNet auf Anfrage eine feinabgestimmte Version an. Das Startguthaben von $5 deckt etwa 1,190 Minuten ab, genug für den gesamten Test oben; der Speech-to-Text-Kostenrechner rechnet Ihr Produktionsvolumen in eine Monatsrechnung um. Erstellen Sie einen Schlüssel, um loszulegen.
BroadNet veröffentlicht keine getrennten WER-Werte pro Dialektgruppe. Genau deshalb sollten Sie diesen Test durchführen: Der Wert für das Dialektset ist eine einzige Zahl, und Ihre Kunden sprechen einen oder zwei Dialekte, nicht alle.
