---
title: "WER in arabo: il word error rate dell’ASR spiegato | BroadRouter"
description: "Cosa significa word error rate, come si calcola e perché il WER in arabo è così sensibile a diacritici, normalizzazione e dialetti. Con Python e numeri reali."
url: https://broadrouter.com/it/blog/arabic-asr-wer-explained/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/arabic-asr-wer-explained/) (aggiornato il 2026-11-14).

# Word error rate (WER) nell’ASR in arabo: guida pratica

A cura del team di BroadNet Inference · 5 min di lettura · Pubblicato 2026-11-14

Il word error rate (WER) è il numero di parole sostituite, cancellate e inserite diviso per le parole della trascrizione di riferimento. Più basso è, meglio è. Il WER in arabo è difficile da confrontare perché diacritici, grafia di alef e ta marbuta e dialetti lo gonfiano. BroadNet riporta per BroadNet Transcribe Arabic un WER di 3,8 su FLEURS-ar e di 23,4 sul parlato dialettale.

## Punti chiave

-   WER = (sostituzioni + cancellazioni + inserimenti) / parole del riferimento. Può superare il 100%.
-   Le varianti grafiche dell’arabo (أ/إ/ا, ة/ه, ى/ي, diacritici) possono contare come errori, a meno che tu non normalizzi prima entrambi i testi.
-   Indica sempre la normalizzazione usata. Due valori di WER con normalizzazioni diverse non sono confrontabili.
-   Per BroadNet Transcribe Arabic, BroadNet riporta 3,8 su FLEURS-ar, 21,1 su MASC-ar e 23,4 sul proprio set dialettale.
-   Leggi gli errori, non solo il punteggio: una cifra sbagliata in un importo conta più di dieci particelle sbagliate.

**In questa pagina**

1.  Cos’è il word error rate?
2.  Perché il WER in arabo è difficile da confrontare?
3.  Quanto cambia il punteggio con la normalizzazione?
4.  Come si calcola il WER in arabo con Python?
5.  Che WER riporta BroadNet per l’arabo?
6.  Come si misura il WER sul proprio audio?
7.  Cosa misurare oltre al WER?

Il [word error rate](https://broadrouter.com/it/glossary/word-error-rate/) (WER) è il numero di parole sostituite, cancellate e inserite diviso per il numero di parole della trascrizione corretta. Più basso è, meglio è. Il WER in arabo si gonfia facilmente: la stessa trascrizione corretta si può scrivere in più modi, e un confronto ingenuo conta come errore ogni scelta grafica, ogni diacritico e ogni grafia dialettale.

Questo articolo spiega cosa misura il WER, perché con l’arabo diventa scivoloso e come calcolarlo perché i tuoi numeri abbiano un senso. Per costruire il test set, vedi [riconoscimento vocale dei dialetti arabi](https://broadrouter.com/it/blog/arabic-dialect-speech-recognition/); per scegliere un fornitore, vedi la [guida all’acquisto di un’API speech-to-text per l’arabo](https://broadrouter.com/it/blog/arabic-speech-to-text-api-buyers-guide/).

## Cos’è il word error rate?

Il word error rate confronta una trascrizione automatica (l’ipotesi) con una trascrizione umana corretta (il riferimento). Trova il numero minimo di modifiche a livello di parola che trasformano l’una nell’altra:

-   **S, sostituzioni:** una parola sostituita da un’altra.
-   **D, cancellazioni:** una parola del riferimento che manca nell’ipotesi.
-   **I, inserimenti:** una parola in più nell’ipotesi.

Quindi:

**WER = (S + D + I) / N**, dove N è il numero di parole del riferimento.

Un WER di 0,10 (spesso scritto 10) significa circa un errore ogni dieci parole del riferimento. Più basso è, meglio è. Poiché gli inserimenti contano, il WER può superare il 100% per una trascrizione piena di parole inventate.

Il character error rate (CER) è la stessa formula applicata ai caratteri. È utile per l’arabo, dove una sola lettera sbagliata in un prefisso fa contare come sbagliata l’intera parola.

## Perché il WER in arabo è difficile da confrontare?

### 1\. Diacritici

Le vocali brevi arabe si scrivono con segni facoltativi (tashkeel) sopra e sotto le lettere: fatha, damma, kasra, sukun, shadda e tanween. Il testo di tutti i giorni li omette. Se il tuo riferimento ha “مَدْرَسَةٌ” e il modello scrive “مدرسة”, un confronto rigido conta una sostituzione, anche se qualsiasi lettore arabo vede la stessa parola.

### 2\. Varianti grafiche

Diverse lettere hanno varianti comuni e accettate:

| Variazione | Esempio | Normalizzazione tipica |
| --- | --- | --- |
| Hamza sull’alef | أحمد / احمد, إلى / الى | Converti أ إ آ in ا |
| Ta marbuta o ha | مدرسة / مدرسه | Converti ة in ه |
| Alef maqsura o ya | على / علي (nella scrittura informale) | Converti ى in ي |
| Tanween con alef | صباحاً / صباحا | Togli il diacritico |
| Tatweel (allungamento) | جـمـيـل / جميل | Rimuovi ـ |

### 3\. Clitici e confini di parola

L’arabo attacca alle parole congiunzioni, preposizioni e pronomi: “وبمدرستهم” significa “e nella loro scuola” in un’unica parola scritta. Se il modello scrive “و بمدرستهم” con uno spazio, il numero di parole cambia e il WER lo penalizza due volte. Alcune valutazioni prima suddividono le parole in morfemi; la maggior parte no. Sappi quale stai leggendo.

### 4\. Dialetti

A differenza dell’[arabo standard moderno](https://broadrouter.com/it/glossary/msa/), il parlato dialettale non ha una grafia standard. Un egiziano che dice “voglio” può essere trascritto “عايز” o “عاوز”; il “cosa” di chi parla del Golfo può diventare “وش” o “ويش”. Alcuni trascrittori, poi, “correggono” il dialetto in MSA. Ognuno di questi casi è un errore di WER anche quando il significato è perfetto. È buona parte del motivo per cui il WER sul dialetto è tanto più alto di quello sul parlato letto.

### 5\. Numeri e code-switching

Chi parla passa spesso all’inglese a metà frase ([code-switching](https://broadrouter.com/it/glossary/code-switching/)). Si scrive “٢٥”, “25” o “خمسة وعشرين”? Un marchio inglese va in caratteri latini o in lettere arabe? Decidi una convenzione, applicala al riferimento e normalizza l’ipotesi di conseguenza.

## Quanto cambia il punteggio con la normalizzazione?

Riferimento: **ذهبت إلى المدرسة صباحاً** (“Sono andato a scuola la mattina”)

Ipotesi: **ذهبت الى المدرسه صباحا**

Senza normalizzazione, tre parole su quattro sono diverse (إلى/الى, المدرسة/المدرسه, صباحاً/صباحا): **WER 75%.** Dopo aver normalizzato entrambi i testi sono identici: **WER 0%.** Stessa trascrizione, stessa qualità, e il numero è passato da pessimo a perfetto. Per questo un valore di WER senza le sue regole di normalizzazione dice poco.

## Come si calcola il WER in arabo con Python?

```python
import re
import jiwer  # pip install jiwer

DIACRITICS = re.compile(r"[ً-ْٰ]")   # tanween, harakat, shadda, sukun, dagger alef
PUNCT = re.compile(r"[^\w\s]")

def normalise_ar(text: str) -> str:
    text = DIACRITICS.sub("", text)
    text = text.replace("ـ", "")                # tatweel
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    text = text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
    text = PUNCT.sub(" ", text)
    return " ".join(text.split())

refs = ["ذهبت إلى المدرسة صباحاً"]
hyps = ["ذهبت الى المدرسه صباحا"]

print("raw WER:", jiwer.wer(refs, hyps))
print("normalised WER:", jiwer.wer([normalise_ar(r) for r in refs], [normalise_ar(h) for h in hyps]))
print("normalised CER:", jiwer.cer([normalise_ar(r) for r in refs], [normalise_ar(h) for h in hyps]))
```

Applica esattamente la stessa funzione a riferimenti e ipotesi, per ogni modello che confronti. Pubblicala accanto ai tuoi numeri.

## Che WER riporta BroadNet per l’arabo?

BroadNet pubblica misure di laboratorio per [BroadNet Transcribe Arabic](https://broadrouter.com/it/models/cohere-transcribe-arabic/) nel suo [catalogo modelli](https://www.broadnet.ai/inference/models):

| Test set | Cos’è | WER riportato da BroadNet |
| --- | --- | --- |
| FLEURS-ar | Frasi lette, audio pulito | 3,8 |
| MASC-ar | Parlato arabo reale e misto | 21,1 |
| Set dialettale di BroadNet | Parlato in dialetto | 23,4 |

BroadNet riporta anche il modello al posto #2 su 37 (dato di settembre 2026; la classifica in tempo reale lo indicava #4 su 39 il 15 novembre 2026) nella [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard), e al n. 1 tra i modelli la cui licenza permette di servirli tramite API. Sono dati di BroadNet, non verifiche indipendenti. La classifica applica a tutti i modelli lo stesso protocollo di valutazione, il che rende le sue posizioni più confrontabili dei numeri presi da pagine di fornitori diversi.

Guarda la forbice, non solo il numero migliore. Il salto da 3,8 a 23,4 è la distanza tra parlato letto e dialetto spontaneo per uno stesso modello, quindi testa ogni candidato su entrambi i tipi di audio. Il tuo audio, che siano linee di call center, vocali WhatsApp o riunioni, cadrà da qualche parte in quell’intervallo, e solo un test ti dice dove.

## Come si misura il WER sul proprio audio?

1.  **Campiona per condizione.** Raggruppa le clip per dialetto e canale (telefono, vocale, studio). Il [metodo per il test set dialettale](https://broadrouter.com/it/blog/arabic-dialect-speech-recognition/) tratta dimensioni del campione e convenzioni di grafia.
2.  **Trascrivi con ogni candidato.** Per BroadNet, invia `language=ar`; senza, l’arabo può tornare traslitterato in caratteri latini. La [guida speech-to-text per l’arabo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/) contiene il codice, e il credito iniziale $5 copre circa 1,190 minuti di audio.
3.  **Normalizza e calcola.** Usa la funzione qui sopra e riporta WER e CER per gruppo.
4.  **Leggi gli errori.** Ordina le sostituzioni per frequenza. Se gli errori più frequenti sono nomi, importi o codici prodotto, l’impatto sul business è maggiore di quanto dica il punteggio.

## Cosa misurare oltre al WER?

Il WER tratta tutte le parole allo stesso modo, il tuo prodotto no. A un bot di assistenza interessa l’intento; a un flusso di fatturazione interessano i numeri; a un team di compliance interessano frasi precise. Affianca al WER una metrica del compito: l’accuratezza sull’intento dopo che un LLM ha letto la trascrizione, o la corrispondenza esatta sugli importi estratti. Un modello con un WER leggermente più alto può comunque vincere se i suoi errori cadono su parole che non contano.

Per i costi, inserisci le tue ore mensili di audio nel [calcolatore gratuito dei costi speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) e guarda come differiscono il modello per l’arabo e quello a 14 lingue in [BroadNet Transcribe e Transcribe Arabic a confronto](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/).

Strumenti gratuiti sul tema (in inglese)

-   [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.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[Word error rate (WER)](https://broadrouter.com/it/glossary/word-error-rate/)

Il word error rate (WER, tasso di errore sulle parole) è la misura standard di accuratezza del riconoscimento vocale: il numero di sostituzioni, cancellazioni e inserimenti di parole necessari per trasformare una trascrizione nel riferimento corretto, diviso per il numero di parole del riferimento. Più è basso, meglio è.

[Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/)

Lo speech-to-text, detto anche riconoscimento automatico del parlato (ASR), è la tecnologia che converte l’audio parlato in testo scritto. Un’API speech-to-text riceve un file o uno stream audio e restituisce una trascrizione, di solito a prezzo per minuto di audio. L’accuratezza si misura con il word error rate e varia con accento, dialetto e qualità della registrazione.

[Character error rate (CER)](https://broadrouter.com/it/glossary/character-error-rate/)

Il character error rate (CER, tasso di errore sui caratteri) misura l’accuratezza di una trascrizione o di un OCR a livello di carattere: sostituzioni, cancellazioni e inserimenti necessari per trasformare l’output nel testo di riferimento, divisi per il numero di caratteri del riferimento. Più è basso meglio è, e 0 è una corrispondenza perfetta.

[Code-switching (commutazione di codice)](https://broadrouter.com/it/glossary/code-switching/)

Il code-switching è l’uso di due o più lingue, o varietà di una stessa lingua, all’interno della stessa conversazione o frase, nel parlato o nello scritto. Ne sono esempi gli arabofoni che inseriscono parole inglesi nel dialetto, o che passano dall’arabo standard moderno al loro dialetto.

[Arabo standard moderno (MSA)](https://broadrouter.com/it/glossary/msa/)

L’arabo standard moderno (MSA) è la forma standardizzata dell’arabo usata nella scrittura, nei notiziari, nell’istruzione e nei discorsi formali in tutto il mondo arabo. Non è la lingua madre quotidiana di nessuno: le persone parlano dialetti regionali, come l’egiziano o l’arabo del Golfo, e passano all’MSA nei contesti formali.

[Hamza (lettera araba)](https://broadrouter.com/it/glossary/hamza/)

La hamza (ء) è la lettera araba che indica il colpo di glottide. Si scrive da sola o su un supporto: alef (أ إ), waw (ؤ) o yeh (ئ), e آ unisce alef e madda. Dato che il testo digitato la usa in modo incoerente, motori di ricerca e valutazione del parlato spesso riducono le forme con alef a ا.

[Arabo dialettale (dialectal Arabic)](https://broadrouter.com/it/glossary/dialectal-arabic/)

L’arabo dialettale è l’arabo parlato ogni giorno in una regione o in una città, come l’arabo egiziano, del Golfo, levantino o maghrebino. I dialetti differiscono dall’arabo standard moderno per suoni, parole e grammatica, non hanno un’ortografia standard e si scrivono sempre più online, il che li rende più difficili per i modelli linguistici.

[Diacritici arabi (tashkeel)](https://broadrouter.com/it/glossary/arabic-diacritics/)

I diacritici arabi, o tashkeel, sono piccoli segni scritti sopra o sotto le lettere per indicare le vocali brevi, le consonanti doppie e l’assenza di vocale. Sono facoltativi: quasi tutto il testo arabo, notizie comprese, li omette, quindi lettori e software deducono le vocali dal contesto.

## Domande frequenti

### Qual è un buon WER per l’arabo?

Sul parlato letto e pulito si arriva a una cifra sola; BroadNet riporta 3,8 su FLEURS-ar. Sull’audio reale e in dialetto aspettati valori molto più alti; BroadNet riporta 21,1 su MASC-ar e 23,4 sul proprio set dialettale. Confronta i modelli sul tuo audio, con la stessa normalizzazione.

### Devo togliere i diacritici prima di calcolare il WER in arabo?

Di solito sì. Gran parte dell’arabo si scrive senza i segni delle vocali brevi, e i modelli li aggiungono in modo incoerente. Toglili sia dal riferimento sia dall’ipotesi, a meno che il tuo prodotto non abbia bisogno di testo vocalizzato.

### Cos’è il CER e quando usarlo?

Il character error rate è lo stesso calcolo fatto sui caratteri invece che sulle parole. È meno severo con l’arabo, dove una sola lettera sbagliata in un prefisso rende sbagliata tutta la parola, ed è utile insieme al WER.

### Il WER può superare il 100%?

Sì. Gli inserimenti contano come errori, quindi un modello che inventa molte parole in più può fare più errori di quante parole ci siano nel riferimento.

### Come si calcola il WER per l’arabo in Python?

Installa jiwer, normalizza riferimento e output del modello con la stessa funzione (togli diacritici e tatweel, unifica alef, yaa e ta marbuta, converti le cifre arabo-orientali), poi chiama jiwer.wer(references, hypotheses). Riporta la normalizzazione accanto al punteggio.

### Perché il WER in arabo è più alto di quello in inglese?

In parte per una difficoltà reale (dialetti, clitici, code-switching) e in parte per il modo di calcolarlo: l’arabo ha varianti grafiche accettate e diacritici facoltativi, e un confronto rigido conta ognuna come errore. Normalizzare entrambi i testi elimina la parte dovuta al calcolo.

## Continua a leggere

-   [API speech-to-text per l’arabo: come sceglierla nel 2026](https://broadrouter.com/it/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Trascrivere le chiamate del call center: pipeline pronta per l’arabo](https://broadrouter.com/it/blog/transcribe-call-center-recordings/)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/)
-   [API speech-to-text multilingue: 14 lingue, un solo endpoint](https://broadrouter.com/it/blog/multilingual-speech-to-text-api/)
-   [Aggiungere i diacritici all’arabo con un LLM: prompt, controlli, DER](https://broadrouter.com/it/blog/arabic-diacritization-llm/)
-   [Correzione grammaticale e ortografica dell’arabo con un LLM: guida](https://broadrouter.com/it/blog/arabic-grammar-spelling-correction-llm/)
-   [Guida: API speech-to-text in arabo, passo dopo passo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-asr-wer-explained&utm_content=page-cta) ·

**Fonti**

-   [Catalogo modelli BroadNet, speech-to-text: WER e posizione in classifica come riportati da BroadNet (consultato il 2026-11-14) (in inglese)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard, Space su Hugging Face (consultato il 2026-11-14)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Wang, Alhmoud e Alqurishi, Open Universal Arabic ASR Leaderboard (Interspeech 2025; consultato il 2026-11-14)](https://www.isca-archive.org/interspeech_2025/wang25_interspeech.html)
-   [Conneau et al., FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech (arXiv; consultato il 2026-11-14)](https://arxiv.org/abs/2205.12446)
-   [jiwer, un pacchetto Python per WER e CER (consultato il 2026-11-14)](https://github.com/jitsi/jiwer)
