BroadRouter
Comenzar

Voz a texto en dialectos árabes: Golfo, egipcio, levantino y magrebí

Por el equipo de BroadNet Inference · 5 min de lectura · Publicado · Actualizado

Los dialectos árabes difieren del árabe estándar moderno en sonidos, palabras y ortografía, y los hablantes mezclan inglés o francés, así que los modelos ASR entrenados sobre todo con árabe formal rinden mucho peor con ellos. Para probar un proveedor, arme un conjunto de prueba por dialecto con su audio real, fije una convención ortográfica y mida WER, CER y precisión de entidades por dialecto.

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:

  1. 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.
  2. 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.
  3. 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).
  4. 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.

Preguntas frecuentes

¿Qué dialecto árabe es el más difícil para el reconocimiento de voz?

No hay una clasificación universal; depende de los datos de entrenamiento del modelo. Los dialectos magrebíes, como el marroquí y el argelino, suelen ser difíciles porque son los más alejados del árabe estándar moderno y mezclan francés. Pruebe su propio dialecto en lugar de fiarse de una clasificación general.

¿La voz a texto entiende el árabe egipcio?

A menudo mejor que dialectos menos comunes, porque el egipcio está muy presente en los medios, pero espere menos precisión que con el árabe formal. Mídalo con sus propias grabaciones.

¿Debo usar WER o CER para el árabe?

Use ambos. El WER cuenta palabras completas, así que un prefijo o clítico equivocado hace que toda la palabra cuente como error. El CER cuenta caracteres y tolera mejor la variación ortográfica, algo importante en dialectos sin ortografía estándar.

¿Cuántos clips de audio necesito para probar un proveedor de ASR en árabe?

Unos 30 a 50 clips reales por dialecto, con al menos 10 por dialecto transcritos a mano como referencia. Eso basta para ver las diferencias grandes entre proveedores.

¿Importa el código de idioma con los dialectos árabes?

Envíe language=ar. En la mayoría de las API los dialectos comparten el código ar. Sin él, algunos modelos devuelven el habla árabe transliterada en letras latinas.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity