L’arabizi, c’est la façon dont beaucoup d’arabophones tapent sur leur téléphone : des mots arabes, un clavier latin, quelques chiffres pour les sons manquants.
Comment ça marche
Darwish (2014) décrit l’arabizi, aussi appelé arabish ou franco-arabe, comme de l’arabe sous forme latine translittérée qui utilise des chiffres pour les lettres absentes de l’anglais : « 2 » et « 3 » représentent le son de la hamza et ع. Il est né parce que les anciens navigateurs et téléphones ne pouvaient pas afficher l’écriture arabe. Il perdure parce que les gens y sont habitués et tapent plus vite sur un clavier anglais.
Trois propriétés le rendent difficile pour les logiciels :
- Pas d’orthographe standard. Shazal, Usman et Habash (2020) notent que l’arabizi des réseaux sociaux est de l’arabe dialectal, qui n’a pas d’orthographe standard, et que la correspondance vers l’écriture arabe n’est pas biunivoque.
- Mêlé d’anglais ou de français. Un message comme
w aletli Tuesday(« et elle m’a dit mardi ») mélange les deux : c’est du code-switching. - D’abord la détection. Le logiciel doit décider quels mots sont de l’arabizi avant de les convertir. Darwish rapporte 98,5 % de précision en détection et 88,7 % en conversion avec un pipeline classique ; le modèle séquence-à-séquence de 2020 atteint 80,6 % de précision par mot sur un jeu de test aveugle pour la tâche conjointe.
Avec les API de LLM, l’arabizi se comporte aussi autrement que l’écriture arabe face au tokenizer, car c’est du texte latin écrit d’une manière que le vocabulaire a rarement vue.
Pourquoi c’est important
Si vous exploitez un chatbot, une recherche ou de l’analytique dans le Golfe, en Égypte ou au Levant, une partie de vos utilisateurs tapera en arabizi. La recherche par mots-clés, les règles d’intention et les outils d’analyse de sentiment conçus pour l’écriture arabe passeront à côté de ces messages. Une solution courante consiste à demander à un LLM de convertir l’arabizi en écriture arabe, en nommant le dialecte, avant le routage ou l’indexation, tout en conservant le texte d’origine. Le guide de traitement de l’arabizi détaille les prompts et le choix de l’écriture des réponses.
Sur BroadNet Inference
BroadNet n’a pas de fonction propre à l’arabizi ; les modèles de chat le reçoivent comme du texte ordinaire. BroadNet indique avoir testé Qwen3.8 27B en arabe, avec les dialectes du Golfe et égyptien compris, ce qui constitue un point de départ pour des tests en arabizi. Voir les dialectes du Golfe et égyptien avec les LLM.
La parole est un cas à part. La documentation de BroadNet prévient que, sans language, un audio en arabe peut être translittéré en lettres latines. Ce résultat ressemble à de l’arabizi, mais il vient de la requête, pas du locuteur. Envoyez language=ar à BroadNet Transcribe Arabic.