La voz a texto tiene problemas con los dialectos árabes porque difieren del árabe estándar moderno (MSA) en sonidos, palabras y ortografía, y porque los hablantes mezclan inglés o francés. Para saber cómo le irá a un proveedor, arme un pequeño conjunto de prueba por dialecto con su audio real y mida cada dialecto por separado.
Una llamada desde Riad, una nota de voz de El Cairo y una llamada de soporte desde Casablanca son todas «árabe», y un mismo modelo puede manejar bien la primera y mal la tercera.
Este artículo explica qué hace difícil cada gran grupo dialectal para el reconocimiento de voz y cómo armar una prueba que muestre cómo le irá a un proveedor con sus dialectos. Para la lista de compra más amplia (precio, límites, privacidad), consulte la guía de compra de API de voz a texto en árabe.
¿Por qué los dialectos árabes son difíciles para el reconocimiento de voz?
Se suman cuatro problemas:
- Sonidos distintos. La misma letra se pronuncia de forma diferente según la región, así que el modelo acústico debe asignar varios sonidos a una sola grafía.
- Palabras distintas. Las palabras cotidianas cambian de un dialecto a otro. Un modelo entrenado sobre todo con MSA puede «corregir» una palabra dialectal a su equivalente formal, lo que cuenta como error si su referencia es literal.
- Sin ortografía estándar. Los dialectos se escriben de manera informal, así que incluso dos transcriptores humanos discrepan. Los datos de entrenamiento también son desiguales: un estudio de 2024 sobre cobertura dialectal señala que los sistemas ASR existentes “mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects” (Traducción: cubren principalmente la variedad de árabe estándar moderno y pocos dialectos con muchos recursos) (arXiv 2411.05872).
- Alternancia de idiomas. Los hablantes mezclan inglés o francés a mitad de frase. El conjunto de datos Casablanca, que cubre ocho dialectos, anota la alternancia de idiomas junto con el dialecto y el género.
Justamente por eso el artículo del Open Universal Arabic ASR Leaderboard (Interspeech 2025) evalúa modelos de código abierto en varios conjuntos de prueba multidialectales: una única puntuación de árabe oculta la dispersión.
¿Cómo complica cada dialecto árabe el reconocimiento de voz?
| Grupo dialectal | Dónde | Puntos problemáticos típicos del ASR |
|---|---|---|
| Golfo (jaliyí) | Arabia Saudita, EAU, Kuwait, Catar, Baréin, Omán | Nombres de productos, números y marcas en inglés mezclados; pronunciación regional de qaf y kaf |
| Egipcio | Egipto | Yim pronunciada como g dura; qaf a menudo como oclusión glotal; muy común en los medios, así que los modelos suelen ver más |
| Levantino | Siria, Líbano, Jordania, Palestina | Qaf urbana como oclusión glotal; francés o inglés mezclados, sobre todo en Líbano |
| Magrebí (darija) | Marruecos, Argelia, Túnez, Libia | El más alejado del MSA; vocales cortas omitidas; mucha alternancia con el francés; préstamos amazigh |
| Iraquí | Irak | Vocabulario y pronunciación propios; menos audio público de entrenamiento |
Son tendencias, no reglas. Dentro de cada grupo, el habla urbana y la rural difieren, y los hablantes más jóvenes alternan más de idioma. Lo importante es que cada grupo falla a su manera, así que mida cada grupo por separado.
¿Cómo se arma un conjunto de prueba de dialectos árabes?
1. Tome muestras de audio real por dialecto
Extraiga de 30 a 50 clips por dialecto del canal que usará en producción: llamadas telefónicas, notas de voz de WhatsApp, grabaciones de reuniones. El audio telefónico a 8 kHz se comporta distinto del audio de estudio. Etiquete cada clip por dialecto y marque los que contienen inglés o francés.
2. Acuerde primero una convención ortográfica
Antes de que alguien escriba una referencia, decida:
- Dialecto literal (escribir lo que se dijo, con ortografía dialectal), o
- Normalizado (llevarlo a una forma uniforme).
Deje la decisión por escrito con ejemplos. Si las referencias son literales y el modelo produce palabras más cercanas al MSA, el WER se verá pésimo aunque el significado sea correcto. Ninguna opción es incorrecta. Tiene que coincidir con lo que necesita su sistema posterior.
3. Escriba referencias para 10 clips por dialecto
Pida a hablantes nativos de ese dialecto que los transcriban. En los clips con alternancia de idiomas, decida si las palabras en inglés quedan en alfabeto latino y aplíquelo en todos los casos.
4. Normalice ambos lados y luego mida
Quite los diacríticos, unifique las formas de alef (إ أ آ a ا) y la ya final (ى a ي), elimine la puntuación y convierta las cifras arábigo-orientales a occidentales. Luego calcule:
| Métrica | Por qué |
|---|---|
| WER por dialecto | La medida estándar; estricta con clíticos y prefijos |
| CER por dialecto | Más tolerante con la variación ortográfica |
| Precisión de entidades | Proporción de números, fechas y nombres transcritos exactamente |
| WER del grupo con alternancia | Muestra si las palabras en inglés o francés sobreviven |
El paquete jiwer calcula WER y CER; el WER en árabe explicado incluye una función de normalización que puede reutilizar y un ejemplo resuelto de cuánto cambia la puntuación.
5. Lea las transcripciones
Los números deciden si un flujo de call center o bancario funciona. Lea 20 transcripciones por dialecto y revise a mano cada número, fecha y nombre.
¿Qué le dicen las cifras publicadas de WER en árabe?
Los benchmarks públicos dan una dirección, no una promesa. BroadNet publica tres cifras de WER para BroadNet Transcribe Arabic en su catálogo de modelos: 3.8 en FLEURS-ar (habla leída y limpia), 21.1 en MASC-ar (habla real variada) y 23.4 en su propio conjunto dialectal. Es un salto de seis veces para el mismo modelo entre habla leída y habla dialectal, y por eso debe probar con sus propios dialectos.
Cuando compare proveedores, hágalo con el mismo conjunto de prueba. Una tabla como el Open Universal Arabic ASR Leaderboard es útil porque todos los modelos se evalúan igual. La cifra de un proveedor en su propio conjunto no es comparable con la de otro.
¿Qué LLM debería leer las transcripciones dialectales?
Las transcripciones suelen alimentar a un LLM: para resumir una llamada, enrutar un ticket o responder una pregunta. Ese modelo también necesita leer dialecto. Nuestra guía para elegir un LLM para árabe explica cómo probarlo, y Qwen3.8 27B es el modelo que BroadNet probó con los dialectos del Golfo y egipcio.
Dónde encaja BroadNet Inference
BroadNet Transcribe Arabic está hecho para el árabe, dialectos incluidos, cuesta $0.0042 por minuto ($0.25 por hora), y BroadNet reporta que está #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard, y en el #1 entre los modelos cuyas licencias permiten servirlos mediante una API. Para números, fechas y nombres en audio con ruido, BroadNet ofrece una versión con fine-tuning bajo pedido. El crédito inicial de $5 cubre unos 1,190 minutos, suficiente para toda la prueba anterior; la calculadora de costo de voz a texto convierte su volumen de producción en una factura mensual. Cree una clave para empezar.
BroadNet no publica cifras de WER separadas por grupo dialectal. Justamente por eso debe hacer esta prueba: su cifra del conjunto dialectal es un solo número, y sus clientes hablan uno o dos dialectos, no todos.
