---
title: "Ajouter les diacritiques (tachkil) à l’arabe par LLM"
description: "Restaurer les diacritiques arabes (tachkil) via une API LLM : un prompt qui garde chaque lettre, un contrôle anti-retouches, DER et WER, et quand choisir CATT."
url: https://broadrouter.com/fr/blog/arabic-diacritization-llm/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/arabic-diacritization-llm/) (mis à jour le 2026-11-16).

# Vocaliser un texte arabe avec un LLM : prompt, contrôles, DER

Par l’équipe BroadNet Inference · 8 min de lecture · Publié 2026-11-15 · Mis à jour 2026-11-16

Demandez au modèle le tachkil complet et rien d’autre, puis retirez les diacritiques de sa réponse et comparez-la à votre entrée. Une seule lettre modifiée, et vous rejetez puis relancez. Évaluez un échantillon vérifié à la main avec le taux d’erreur diacritique (DER) et le taux d’erreur sur les mots (WER), avec et sans désinences casuelles. Les résultats publiés placent GPT-4 près des meilleurs vocalisateurs spécialisés, mais derrière eux.

## À retenir

-   La règle qui rend la vocalisation par LLM sûre : la réponse, une fois les diacritiques retirés, doit être identique à l’entrée. Sinon, le modèle a modifié une lettre, et vous la rejetez.
-   Sur le benchmark CATT (742 phrases de presse), le modèle encodeur-décodeur CATT obtient 8,624 % de DER avec désinences casuelles, contre 9,515 % pour GPT-4 et 16,482 % pour Mishkal (article CATT, 2024).
-   Les désinences casuelles sont la partie difficile. Chaque tableau publié donne le DER et le WER avec et sans elles, et l’écart est grand. Donnez les deux pour vos propres tests.
-   Un texte vocalisé coûte plus de tokens. Sur le jeu de test Fadel de 2 500 lignes, le tachkil complet a demandé 2,07 à 3,21 fois les tokens du texte nu selon les quatre tokenizers de modèles que nous avons utilisés.
-   Pour de gros volumes et des types de texte fixes, un vocalisateur open source spécialisé comme CATT (Apache 2.0) coûte moins cher et préserve les lettres par conception. Un LLM est plus simple pour démarrer et gère les entrées atypiques.

**Sur cette page**

1.  Quand a-t-on besoin des diacritiques ?
2.  Les LLM sont-ils bons en vocalisation ?
3.  Quels jeux de test existent ?
4.  Quel prompt préserve les lettres ?
5.  Comment évaluer la vocalisation : DER et WER ?
6.  Quand un vocalisateur spécialisé bat-il un LLM ?
7.  Combien coûte la vocalisation par LLM ?
8.  Où se situe BroadNet Inference

L’arabe s’écrit normalement sans voyelles brèves. Le lecteur les restitue d’après le contexte ; le logiciel, souvent, n’y arrive pas. Les restaurer, ce qu’on appelle la vocalisation ou tachkil, transforme كتب en كَتَبَ (il a écrit), كُتُبٌ (des livres) ou كُتِبَ (il a été écrit), selon la phrase. Cet article montre comment le faire avec un LLM via une API compatible OpenAI, comment empêcher le modèle de modifier votre texte en douce, et comment mesurer le résultat face à un vocalisateur spécialisé.

## Quand a-t-on besoin des diacritiques ?

-   **Synthèse vocale.** Une voix a besoin des voyelles pour prononcer un mot. L’article CATT cite la synthèse vocale et la traduction automatique parmi les applications que les diacritiques améliorent. BroadNet Inference n’a pas d’endpoint de synthèse vocale : dans une chaîne TTS, le texte vocalisé part vers un service TTS séparé.
-   **Apprenants et livres pour enfants.** Les lecteurs encore en apprentissage s’appuient sur ces signes.
-   **Noms et termes ambigus.** Noms propres, mots rares et termes techniques pour lesquels une mauvaise voyelle change le sens.
-   **Textes religieux et classiques.** Ici, les signes font partie du texte, et un outil automatique ne devrait que combler les manques, sous contrôle humain.

Pour la recherche ou la récupération de documents, vous ne voulez en général pas de diacritiques. Là, on les supprime, comme dans [Normalisation du texte arabe pour la recherche](https://broadrouter.com/fr/blog/arabic-text-normalization-search/). Le [normaliseur de texte arabe](https://broadrouter.com/tools/arabic-text-normalizer/) gratuit fait cette suppression dans le navigateur. La vocalisation est l’opération inverse, et bien plus difficile : retirer les signes est une simple correspondance, les ajouter demande de la grammaire et du contexte.

## Les LLM sont-ils bons en vocalisation ?

Deux chiffres publiés, à lire avec prudence :

| Système | Benchmark CATT, DER avec désinences | DER sans | WER avec désinences | WER sans |
| --- | --- | --- | --- | --- |
| CATT encodeur-décodeur | 8.624% | 6.989% | 34.191% | 28.477% |
| CATT encodeur seul | 8.762% | 7.088% | 35.508% | 29.714% |
| GPT-4 (GPT-4-turbo d’après le texte de l’article) | 9.515% | 8.113% | 38.311% | 33.505% |
| Command R+ | 13.169% | 11.329% | 48.518% | 44.158% |
| Shakkala | 13.494% | 10.386% | 50.387% | 40.643% |
| Mishkal | 16.482% | 10.796% | 60.844% | 40.215% |

Source : tableau 4 de l’[article CATT](https://arxiv.org/html/2407.03236v3) (2024). Plus bas, c’est mieux. Le benchmark compte 742 phrases de presse collectées en 2023, vocalisées par deux experts de langue maternelle arabe et vérifiées par un troisième.

Sur le second jeu de test de l’article, WikiNews (400 phrases), GPT-4 fait bien mieux que tous les autres : 0,551 % de DER. Les auteurs signalent cette ligne et suggèrent que le modèle a pu voir WikiNews pendant son entraînement. C’est l’avertissement général pour les benchmarks de LLM : un texte de test public peut figurer dans les données d’entraînement. Les auteurs de CATT émettent la même réserve sur Tashkeela, dont les livres contiennent beaucoup de citations du Coran et de hadiths.

Un autre article de 2024, de Skiredj et Berrada, donne pour GPT-4 environ 20 % de DER et 30 % de WER sur le benchmark de Fadel et al., sans le détail qu’il faudrait pour le comparer au tableau ci-dessus.

Les modèles de la classe de GPT-4 peuvent donc approcher un vocalisateur spécialisé, mais aussi rester derrière. Les deux articles sont antérieurs aux modèles ouverts que vous pouvez appeler aujourd’hui. Mesurez sur vos propres textes.

## Quels jeux de test existent ?

| Jeu de données | Ce que c’est |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 75 629 921 mots entièrement vocalisés issus de 97 livres ; 98,85 % d’arabe classique tiré de la bibliothèque Shamela, 1,15 % d’arabe standard moderne |
| [Benchmark de Fadel et al.](https://github.com/AliOsm/arabic-text-diacritization) | Environ 2,3 millions de mots extraits de Tashkeela ; 50 000 lignes d’entraînement, 2 500 de validation et 2 500 de test |
| Benchmark CATT | 742 phrases de presse vocalisées à la main, publiées avec les modèles CATT |
| WikiNews | 400 phrases de presse en arabe standard moderne vocalisées à la main |

Tashkeela et le jeu de Fadel sont surtout classiques. Si votre texte est de l’arabe moderne d’affaires ou de presse, les jeux CATT et WikiNews s’en rapprochent davantage, et un échantillon de vos propres textes encore plus.

## Quel prompt préserve les lettres ?

Le travail du modèle consiste à ajouter des signes sans toucher au reste. Les LLM aiment rendre service : ils corrigent الى en إلى, changent un ى final en ي ou ajoutent une hamza manquante. Chacune de ces modifications peut être de l’arabe correct, mais c’est une correction orthographique, pas une vocalisation. Elle modifie votre texte sans vous le dire.

Le prompt énonce donc la règle, et le code la fait respecter : retirez les diacritiques de la réponse et comparez-la à l’entrée débarrassée des siens. Si une lettre, une espace ou un signe de ponctuation diffère, la réponse est rejetée.

```python
import difflib, os, re, unicodedata
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

MARKS = re.compile("[ً-ْٰ]")  # tanween, harakat, shadda, sukun, dagger alef
SYSTEM = """Add full Arabic diacritics (tashkeel) to the user's text, including case endings.
Reply with the diacritized text only. Do not add, remove, reorder or replace any letter,
space, digit or punctuation mark. Do not fix spelling. Keep any diacritics already present."""

def skeleton(s: str) -> str:
    """The text with every diacritic removed: what the model is not allowed to change."""
    return MARKS.sub("", unicodedata.normalize("NFC", s))

def diacritize(text: str, model: str = "broadnet/qwen3.8-27b", tries: int = 2) -> str | None:
    for attempt in range(tries):
        r = client.chat.completions.create(
            model=model, max_tokens=4000, temperature=0,
            messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
        out = unicodedata.normalize("NFC", (r.choices[0].message.content or "").strip())
        if skeleton(out) == skeleton(text):
            return out
        diff = [d for d in difflib.ndiff(skeleton(text).split(), skeleton(out).split()) if d[0] in "+-"]
        print(f"attempt {attempt + 1}: letters changed {diff}")
    return None  # keep the undiacritized text; never ship a changed sentence

for line in ["ذهب الطالب الى المدرسة", "قرأ محمد الكتاب"]:
    print(diacritize(line))
```

Nous avons exécuté ce code contre un serveur fictif local, pas contre l’API réelle. Sa réponse préenregistrée pour la première phrase « corrigeait » الى en إلى aux deux tentatives, et celle de la seconde était propre. La sortie :

```text
attempt 1: letters changed ['- الى', '+ إلى']
attempt 2: letters changed ['- الى', '+ إلى']
None
قَرَأَ مُحَمَّدٌ الْكِتَابَ
```

Remarques sur le code :

-   **Unicode NFC d’abord.** Une hamza peut arriver sous forme d’un caractère précomposé (أ) ou d’une lettre suivie d’un signe combinant. NFC aligne les deux côtés avant la comparaison. [L’article sur la normalisation](https://broadrouter.com/fr/blog/arabic-text-normalization-search/) détaille ce piège.
-   **`max_tokens=4000`.** D’après la documentation de BroadNet, DeepSeek V4.1 Flash, GLM 5.3 et Qwen3.8 27B raisonnent avant de répondre, et ce raisonnement compte dans `max_tokens`. Une limite trop basse renvoie une réponse vide, que le contrôle rejette. Laissez de la marge, ou réglez `reasoning_effort` sur low ; voir [réponses vides des modèles de raisonnement](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/) et le [calculateur de budget de tokens de raisonnement](https://broadrouter.com/tools/reasoning-token-budget/).
-   **Le contrôle ne vérifie pas « conserver les diacritiques existants ».** Si votre entrée est partiellement vocalisée, comparez aussi ces signes.
-   **L’orthographe est une décision à part.** Si vous voulez corriger الى, faites d’abord une étape de correction, puis vocalisez le texte corrigé. Mélanger les deux rend l’un et l’autre invérifiables.
-   **Découpez les textes longs.** Envoyez une phrase ou un paragraphe par requête. CATT lui-même limite l’entrée à 1 024 caractères et coupe les phrases longues sur la ponctuation ; la même habitude garde les réponses du LLM courtes et les relances bon marché.

Pour des conseils généraux sur la rédaction de prompts en arabe, y compris quand demander à un modèle de ne pas ajouter de diacritiques, voir [Prompt engineering en arabe](https://broadrouter.com/fr/blog/arabic-prompt-engineering/).

## Comment évaluer la vocalisation : DER et WER ?

Le **taux d’erreur diacritique (DER)** est la part des lettres dont les diacritiques diffèrent de la référence. Le **taux d’erreur sur les mots (WER)** est ici la part des mots qui ont au moins un diacritique faux. Ce n’est pas le WER de la reconnaissance vocale de [notre article sur l’ASR](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/) : il compte les mots portant un signe faux, pas les mots insérés ou supprimés.

Deux réglages changent beaucoup les chiffres :

-   **Avec ou sans désinences casuelles.** La dernière lettre d’un mot porte son cas grammatical (i’rab), qui dépend de la syntaxe. Les articles donnent les deux réglages, car les désinences causent une grande partie des erreurs.
-   **Compter les lettres sans diacritique.** Certains scripts comptent une lettre nue (comme l’alif de الطالب) comme une prédiction correcte « pas de diacritique » ; d’autres l’ignorent. Le script d’évaluation de Fadel a une option pour cela.

Les scripts publiés font des choix différents ; ne comparez donc que des chiffres produits par le même script. Celui-ci est assez court pour être lu :

```python
import re, unicodedata

MARK = re.compile("[ً-ْٰ]")
LETTER = re.compile("[ء-غف-ي]")

def letters(word: str) -> list[tuple[str, str]]:
    """(letter, its diacritics in a fixed order) for each Arabic letter in a word."""
    out = []
    for ch in unicodedata.normalize("NFC", word):
        if LETTER.match(ch):
            out.append([ch, ""])
        elif MARK.match(ch) and out:
            out[-1][1] += ch
    return [(c, "".join(sorted(d))) for c, d in out]

def der_wer(gold: list[str], pred: list[str], case_ending=True, count_bare=True) -> dict:
    """DER: share of scored letters with the wrong diacritics. WER: share of words with any such letter.
    case_ending=False skips each word's last letter. count_bare=False skips letters with no gold diacritic."""
    errs = total = werr = words = 0
    for g_line, p_line in zip(gold, pred):
        for g, p in zip(g_line.split(), p_line.split()):
            G, P = letters(g), letters(p)
            if [c for c, _ in G] != [c for c, _ in P]:
                raise ValueError(f"letters differ: {g} / {p}")  # score only same-skeleton output
            scored = [(gd, pd) for i, ((_, gd), (_, pd)) in enumerate(zip(G, P))
                      if (case_ending or i < len(G) - 1) and (count_bare or gd)]
            if not scored:
                continue
            bad = sum(gd != pd for gd, pd in scored)
            errs += bad; total += len(scored); werr += bad > 0; words += 1
    return {"DER": round(100 * errs / total, 2), "WER": round(100 * werr / words, 2)}

gold = ["ذَهَبَ الطَّالِبُ إِلَى المَدْرَسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابَ"]
pred = ["ذَهَبَ الطَّالِبَ إِلَى المَدْرِسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابُ"]
for ce in (True, False):
    print("with case endings" if ce else "without case endings", der_wer(gold, pred, case_ending=ce))
```

La prédiction jouet a deux désinences fausses et une voyelle interne fausse sur 32 lettres et 7 mots. Elle affiche DER 9.38 et WER 42.86 avec désinences, DER 4.0 et WER 14.29 sans. Notez comme le WER grossit quelques erreurs : un seul signe faux gâche un mot entier.

Le script refuse d’évaluer un mot dont les lettres ont changé. C’est voulu. Un vocalisateur qui modifie des lettres a échoué à sa tâche, et son DER n’aurait aucun sens.

Comme second contrôle, nous avons lancé Mishkal 0.4.1, un vocalisateur à base de règles, sur une phrase de 16 mots vocalisée par nos soins. Ses quatre erreurs portaient toutes sur des désinences, par exemple مُحَمَّدُ au lieu de مُحَمَّدٌ. Il obtient un DER de 5.88 avec désinences et de 0.0 sans. Une phrase ne prouve rien sur Mishkal ; elle montre pourquoi il faut donner les deux réglages.

Pour constituer un jeu de test, prenez 100 à 200 phrases de vos propres textes, faites-les vocaliser par un locuteur natif, retirez les signes et soumettez-les à chaque candidat. La version humaine sert de référence.

## Quand un vocalisateur spécialisé bat-il un LLM ?

| Choisissez | Quand |
| --- | --- |
| Un modèle spécialisé (CATT, libtashkeel, Mishkal) | Gros volume, type de texte fixe, latence stricte, usage hors ligne ou embarqué, ou besoin d’une sortie fidèle lettre à lettre par conception |
| Un LLM via une API | Volume faible ou irrégulier, entrées mélangées ou désordonnées, équipe sans MLOps, ou chaîne qui appelle déjà un LLM pour d’autres étapes |

Les modèles spécialisés prédisent un signe par lettre ; ils ne peuvent donc pas réécrire votre texte. [CATT](https://github.com/abjadai/catt) est sous Apache 2.0 et s’installe avec `pip install catt-tashkeel` ; son README recommande le modèle encodeur seul pour la vitesse et l’encodeur-décodeur pour la précision. [libtashkeel](https://github.com/mush42/libtashkeel) est sous MIT et entraîné surtout sur l’arabe standard moderne. [Mishkal](https://pypi.org/project/mishkal/) fonctionne par règles et est sous GPL, ce qui compte si vous l’intégrez à un produit.

Un LLM permet de démarrer plus vite et gère des entrées qu’un modèle entraîné n’a jamais vues : dialecte, arabe mêlé d’anglais, ponctuation inhabituelle. Il exige le contrôle de squelette ci-dessus sur chaque réponse, et il se paie au token.

## Combien coûte la vocalisation par LLM ?

Les diacritiques sont des caractères en plus, et les tokenizers les découpent en tokens en plus. Nous avons compté le jeu de test Fadel de 2 500 lignes (125 098 mots) avec le tokenizer propre à chaque modèle, texte nu contre texte entièrement vocalisé :

| Tokenizer | Texte nu | Vocalisé | Rapport |
| --- | --- | --- | --- |
| Qwen3.8 27B | 196,987 | 407,144 | 2.07× |
| DeepSeek V4.1 Flash | 222,555 | 540,454 | 2.43× |
| Gemma 4 VL 26B | 208,769 | 508,758 | 2.44× |
| GLM 5.3 | 239,753 | 770,361 | 3.21× |

Vous payez des tokens d’entrée pour le texte nu et des tokens de sortie pour la réponse vocalisée, plus l’éventuel raisonnement. La sortie est le poste coûteux : $2.17 par million de tokens sur [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/), $0.52 sur [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/), $3.46 sur [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) et $0.22 sur [Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/), d’après la page des tarifs de BroadNet. Les relances après un contrôle échoué s’y ajoutent. Collez votre propre texte dans le [compteur de tokens arabe](https://broadrouter.com/tools/arabic-token-counter/) pour vérifier le rapport sur vos données, et lisez [tokens par mot en arabe et en anglais](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/) pour comprendre pourquoi l’arabe coûte plus de tokens dès le départ.

Pour un traitement ponctuel d’une grande archive, les forfaits DeepSeek V4.1 Flash remplacent le compteur par un prix fixe par session ($15 la semaine ou $1 l’heure) ; chaque session traite une requête à la fois, planifiez donc l’exécution comme dans [traitement par lots sans Batch API](https://broadrouter.com/fr/blog/llm-batch-processing-without-batch-api/).

## Où se situe BroadNet Inference

BroadRouter est le site de BroadNet. BroadNet Inference sert les quatre modèles de chat ci-dessus via un endpoint compatible OpenAI ; le code tourne donc avec le [SDK Python d’OpenAI](https://broadrouter.com/fr/guides/openai-python-sdk/) une fois l’URL de base et la clé configurées. Gemma 4 VL 26B fonctionne avec le crédit de départ de $5 ; DeepSeek, GLM et Qwen demandent une recharge. BroadNet n’a pas d’endpoint de vocalisation, ne publie aucun benchmark de vocalisation et ne propose pas de synthèse vocale. Lequel de ses modèles vocalise le mieux vos textes n’a pas été mesuré : évaluez-les sur votre propre échantillon avant de choisir. Les détails des requêtes figurent dans la [référence de l’API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-diacritization-llm&utm_content=body).

Outils gratuits sur ce sujet (en anglais)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Taux d’erreur sur les mots (WER)](https://broadrouter.com/fr/glossary/word-error-rate/)

Le taux d’erreur sur les mots (WER) est la mesure standard de précision en reconnaissance vocale : le nombre de substitutions, suppressions et insertions de mots nécessaires pour transformer une transcription en référence correcte, divisé par le nombre de mots de la référence. Plus il est bas, mieux c’est.

[Diacritiques arabes (tashkeel)](https://broadrouter.com/fr/glossary/arabic-diacritics/)

Les diacritiques arabes, ou tashkeel, sont de petits signes placés au-dessus ou au-dessous des lettres pour noter les voyelles brèves, les consonnes doublées et l’absence de voyelle. Ils sont facultatifs : la plupart des textes arabes, presse comprise, les omettent, et lecteurs comme logiciels déduisent les voyelles du contexte.

[Arabe standard moderne (MSA)](https://broadrouter.com/fr/glossary/msa/)

L’arabe standard moderne (MSA) est la forme standardisée de l’arabe utilisée à l’écrit, dans l’information, l’enseignement et le discours formel dans tout le monde arabe. Ce n’est la langue maternelle de personne : on parle au quotidien des dialectes régionaux, comme l’égyptien ou l’arabe du Golfe, et on passe au MSA dans les contextes formels.

[Synthèse vocale (text-to-speech, TTS)](https://broadrouter.com/fr/glossary/text-to-speech/)

La synthèse vocale (text-to-speech, TTS) convertit un texte écrit en audio parlé. Une API TTS reçoit un texte, une voix et un format de sortie comme MP3 ou WAV, et renvoie la parole générée. C’est l’inverse du speech-to-text, qui transforme l’audio en texte.

[Tokenizer (tokeniseur)](https://broadrouter.com/fr/glossary/tokenizer/)

Un tokenizer est le composant qui convertit un texte en la suite d’ID entiers de tokens que lit un modèle de langage, et reconvertit les ID générés en texte. Chaque modèle a son propre tokenizer : un même texte peut donc produire un nombre de tokens différent selon le modèle.

[API compatible OpenAI](https://broadrouter.com/fr/glossary/openai-compatible-api/)

Une API compatible OpenAI est une API HTTP qui accepte les mêmes formats de requête et de réponse que l’API OpenAI, comme POST /v1/chat/completions. Les SDK et outils OpenAI peuvent donc l’utiliser en changeant seulement l’URL de base, la clé d’API et le nom du modèle.

[Hamza](https://broadrouter.com/fr/glossary/hamza/)

La hamza (ء) est la lettre arabe qui note le coup de glotte. Elle s’écrit seule ou sur un support : alif (أ إ), waw (ؤ) ou ya (ئ), et آ combine alif et madda. Comme le texte saisi l’écrit de façon irrégulière, les moteurs de recherche et l’évaluation de la parole ramènent souvent les formes d’alif à ا.

## Questions fréquentes

### Comment ajouter les diacritiques à un texte arabe en Python ?

Deux voies. Installez un vocalisateur spécialisé comme catt-tashkeel (Apache 2.0) ou mishkal (GPL) et appelez-le en local, ou envoyez le texte à un LLM avec un prompt qui ne demande que le tachkil. Avec un LLM, vérifiez toujours que la réponse privée de ses diacritiques est identique à votre entrée.

### ChatGPT ou GPT-4 sont-ils bons pour vocaliser l’arabe ?

Proches des meilleurs systèmes spécialisés sur certains tests, derrière eux sur d’autres. L’article CATT mesure GPT-4 à 9,515 % de DER avec désinences casuelles sur son benchmark de presse, contre 8,624 % pour son propre modèle. Un autre article de 2024 donne environ 20 % de DER pour GPT-4 sur le benchmark Fadel. Testez sur vos propres textes.

### Quelle différence entre DER et WER pour la vocalisation ?

Le DER est la part des lettres dont les diacritiques sont faux. Le WER est la part des mots qui ont au moins un diacritique faux ; il est donc toujours plus élevé. Les deux se donnent avec les désinences casuelles (la dernière lettre de chaque mot) et sans elles.

### Pourquoi mon LLM modifie-t-il des lettres en ajoutant le tachkil ?

Il corrige aussi l’orthographe : الى devient إلى, un ى devient ي, une hamza manquante apparaît. C’est peut-être juste, mais c’est une correction, pas une vocalisation, et cela casse l’évaluation lettre par lettre. Demandez-lui de ne pas le faire, contrôlez chaque réponse et faites la correction orthographique dans une étape séparée si vous la voulez.

### BroadNet peut-il lire le texte vocalisé à voix haute ?

Non. BroadNet Inference n’a pas d’endpoint de synthèse vocale. Il propose des modèles de chat et de la reconnaissance vocale (speech-to-text). Si la vocalisation alimente une chaîne de synthèse vocale, envoyez le résultat à un service TTS séparé.

## À lire ensuite

-   [Normaliser le texte arabe pour la recherche et le RAG : quoi changer](https://broadrouter.com/fr/blog/arabic-text-normalization-search/)
-   [Prompt engineering en arabe : registre, RTL, chiffres et texte mixte](https://broadrouter.com/fr/blog/arabic-prompt-engineering/)
-   [Tokens par mot, arabe ou anglais : pourquoi l’arabe coûte plus cher](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/)
-   [Extraction d’entités nommées en arabe par LLM : JSON, dates, contrôles](https://broadrouter.com/fr/blog/arabic-named-entity-extraction-llm/)
-   [Choisir une API LLM pour l’arabe : ce qu’il faut tester](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/)
-   [Traitement par lots LLM sans Batch API : un exécuteur reprenable](https://broadrouter.com/fr/blog/llm-batch-processing-without-batch-api/)
-   [Correction grammaticale et orthographique de l’arabe par LLM : guide](https://broadrouter.com/fr/blog/arabic-grammar-spelling-correction-llm/)
-   [Comptes rendus de réunion en arabe depuis l’audio : un pipeline API](https://broadrouter.com/fr/blog/arabic-meeting-minutes-from-recordings/)
-   [Comparatif des API OCR pour l’arabe : Google, Azure, Textract, Mistral](https://broadrouter.com/fr/blog/arabic-ocr-api-comparison/)
-   [Guide : Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/)
-   [Guide : Pourquoi un modèle de raisonnement renvoie une réponse vide](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-diacritization-llm&utm_content=page-cta) ·

**Sources**

-   [Alasmary, Zaafarani et Ghannam, CATT: Character-based Arabic Tashkeel Transformer (arXiv 2407.03236v3), tableaux 4 et 5, taille du jeu de données, limite d’entrée de 1 024 caractères (vérifié le 2026-11-15)](https://arxiv.org/html/2407.03236v3)
-   [abjadai/catt sur GitHub : licence Apache 2.0, paquet pip catt-tashkeel, modèles encodeur seul ou encodeur-décodeur (vérifié le 2026-11-15)](https://github.com/abjadai/catt)
-   [Fadel et al., Arabic Text Diacritization Using Deep Neural Networks (arXiv 1905.01965) : 55 000 lignes, environ 2,3 millions de mots tirés de Tashkeela (vérifié le 2026-11-15)](https://arxiv.org/abs/1905.01965)
-   [AliOsm/arabic-text-diacritization sur GitHub : découpage 50 000 / 2 500 / 2 500 lignes, licence MIT, diacritization\_stat.py (vérifié le 2026-11-15)](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki et Balla, Tashkeela: Novel corpus of Arabic vocalized texts, Data in Brief 2017 : 75 629 921 mots, 97 livres, 98,85 % de texte classique (vérifié le 2026-11-15)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj et Berrada, Arabic Text Diacritization in the Age of Transfer Learning (arXiv 2401.04848) : GPT-4 à environ 20 % de DER et 30 % de WER sur le benchmark Fadel (vérifié le 2026-11-15)](https://arxiv.org/html/2401.04848v1)
-   [Mishkal sur PyPI : version 0.4.1, GPL, utilisation de TashkeelClass (vérifié le 2026-11-15)](https://pypi.org/project/mishkal/)
-   [mush42/libtashkeel sur GitHub : bibliothèque de restauration des diacritiques, licence MIT, modèles entraînés surtout sur l’arabe standard moderne (vérifié le 2026-11-15)](https://github.com/mush42/libtashkeel)
-   [Référence de l’API de BroadNet Inference : identifiants de modèles, le raisonnement compte dans max\_tokens, reasoning\_effort, endpoints (vérifiée le 2026-11-15) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-diacritization-llm&utm_content=sources)
