---
title: "LLM으로 아랍어 발음 부호(타쉬킬) 자동 추가하기 | BroadRouter"
description: "LLM API로 아랍어 발음 부호(타쉬킬)를 복원하는 방법입니다. 글자를 그대로 두는 프롬프트, 수정을 걸러 내는 검증, DER·WER 채점, CATT를 쓸 때를 정리했습니다."
url: https://broadrouter.com/ko/blog/arabic-diacritization-llm/
lang: ko
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/blog/arabic-diacritization-llm/) (2026-11-16 업데이트).

# LLM으로 아랍어 발음 부호 넣기: 프롬프트, 검증, DER

BroadNet Inference 팀 · 8분 분량 · 게시 2026-11-15 · 업데이트 2026-11-16

모델에게 완전한 타쉬킬만 달라고 요청한 뒤, 응답에서 발음 부호를 지우고 입력과 비교하세요. 글자가 하나라도 바뀌었다면 거부하고 다시 시도합니다. 사람이 확인한 샘플을 격어미 포함·제외 두 조건으로 발음 부호 오류율(DER)과 단어 오류율(WER)로 채점하세요. 공개된 결과에서 GPT-4는 최고 수준의 전용 도구에 가깝지만 그보다 뒤처집니다.

## 핵심 요약

-   LLM 발음 부호 처리를 안전하게 만드는 규칙은 하나입니다. 응답에서 발음 부호를 지운 결과가 입력과 정확히 같아야 합니다. 다르다면 모델이 글자를 바꾼 것이니 거부하세요.
-   CATT 벤치마크(뉴스 문장 742개)에서 CATT 인코더-디코더 모델은 격어미 포함 DER 8.624%를 기록했고, GPT-4는 9.515%, Mishkal은 16.482%였습니다(CATT 논문, 2024).
-   어려운 부분은 격어미입니다. 공개된 모든 표가 격어미 포함과 제외 두 조건으로 DER과 WER을 보고하며, 차이가 큽니다. 직접 테스트할 때도 둘 다 보고하세요.
-   발음 부호를 넣은 텍스트는 토큰이 더 듭니다. 2,500줄짜리 Fadel 테스트 세트에서 완전한 타쉬킬은 저희가 돌려 본 토크나이저 네 개 기준으로 맨 텍스트의 2.07~3.21배 토큰을 썼습니다.
-   물량이 많고 텍스트 유형이 정해져 있다면 CATT(Apache 2.0) 같은 오픈소스 전용 도구가 더 저렴하고, 구조상 글자를 바꾸지 않습니다. LLM은 시작하기 쉽고 특이한 입력도 처리합니다.

**이 페이지의 내용**

1.  발음 부호는 언제 필요한가요?
2.  LLM은 발음 부호 처리를 얼마나 잘하나요?
3.  어떤 테스트 세트가 있나요?
4.  글자를 그대로 두는 프롬프트는 무엇인가요?
5.  발음 부호 처리는 어떻게 채점하나요: DER과 WER
6.  전용 도구가 LLM보다 나은 경우는 언제인가요?
7.  LLM 발음 부호 처리 비용은 얼마인가요?
8.  BroadNet Inference의 위치

아랍어는 보통 짧은 모음 없이 씁니다. 사람은 문맥으로 모음을 채워 읽지만, 소프트웨어는 그러지 못하는 경우가 많습니다. 이 모음을 복원하는 작업을 발음 부호 처리(diacritization) 또는 타쉬킬(tashkeel)이라고 하며, 문장에 따라 كتب를 كَتَبَ(그가 썼다), كُتُبٌ(책들), كُتِبَ(쓰였다)로 바꿉니다. 이 글에서는 OpenAI 호환 API로 LLM을 호출해 이 작업을 하는 방법, 모델이 몰래 텍스트를 바꾸지 못하게 막는 방법, 그리고 결과를 전용 도구와 비교해 측정하는 방법을 다룹니다.

## 발음 부호는 언제 필요한가요?

-   **텍스트 음성 변환(TTS).** 음성은 단어를 발음하려면 모음이 필요합니다. CATT 논문은 발음 부호로 개선되는 응용 분야로 TTS와 기계 번역을 꼽습니다. BroadNet Inference에는 TTS 엔드포인트가 없으므로, TTS 파이프라인에서는 발음 부호를 넣은 텍스트를 별도 TTS 서비스로 보냅니다.
-   **학습자와 어린이용 자료.** 아직 배우는 독자는 부호에 의지합니다.
-   **모호한 이름과 용어.** 고유명사, 드문 단어, 전문 용어처럼 모음 하나가 틀리면 뜻이 바뀌는 경우입니다.
-   **종교 문헌과 고전 텍스트.** 여기서는 부호가 텍스트의 일부이므로, 자동 도구는 사람의 검토 아래 빈 곳만 채워야 합니다.

검색이나 검색 증강에는 보통 발음 부호가 필요 없습니다. 이 경우에는 [검색을 위한 아랍어 텍스트 정규화](https://broadrouter.com/ko/blog/arabic-text-normalization-search/)에서처럼 오히려 지웁니다. 무료 [아랍어 텍스트 정규화 도구](https://broadrouter.com/tools/arabic-text-normalizer/)가 브라우저에서 이 제거를 해 줍니다. 발음 부호 처리는 그 반대 작업이고 훨씬 어렵습니다. 부호를 지우는 것은 조회에 불과하지만, 넣는 것은 문법과 문맥이 필요합니다.

## LLM은 발음 부호 처리를 얼마나 잘하나요?

공개된 수치 두 가지를 조심해서 읽어 보겠습니다.

| 시스템 | CATT 벤치마크, 격어미 포함 DER | 격어미 제외 DER | 격어미 포함 WER | 격어미 제외 WER |
| --- | --- | --- | --- | --- |
| CATT 인코더-디코더 | 8.624% | 6.989% | 34.191% | 28.477% |
| CATT 인코더 전용 | 8.762% | 7.088% | 35.508% | 29.714% |
| GPT-4 (논문 본문 기준 GPT-4-turbo) | 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% |

출처: [CATT 논문](https://arxiv.org/html/2407.03236v3)(2024)의 표 4. 낮을수록 좋습니다. 벤치마크는 2023년에 수집한 뉴스 문장 742개로, 원어민 전문가 두 명이 발음 부호를 넣고 세 번째 전문가가 검토했습니다.

논문의 두 번째 테스트 세트인 WikiNews(문장 400개)에서는 GPT-4가 다른 모든 시스템보다 훨씬 좋은 DER 0.551%를 기록했습니다. 저자들은 이 행에 표시를 하고, 모델이 학습 중에 WikiNews를 봤을 수 있다고 지적합니다. 이것이 LLM 벤치마크 전반에 대한 경고입니다. 공개 테스트 텍스트가 학습 데이터에 들어 있을 수 있습니다. CATT 저자들은 Tashkeela에 대해서도 같은 우려를 제기하는데, 이 코퍼스의 책들에는 꾸란과 하디스 인용이 많기 때문입니다.

Skiredj와 Berrada의 2024년 별도 논문은 Fadel 외 벤치마크에서 GPT-4의 DER을 약 20%, WER을 약 30%로 보고하지만, 위 표와 비교하는 데 필요한 세부 정보는 없습니다.

즉 GPT-4급 모델은 전용 도구에 근접할 수도 있고, 뒤처질 수도 있습니다. 두 논문 모두 지금 호출할 수 있는 오픈 모델보다 먼저 나왔습니다. 내 텍스트로 측정하세요.

## 어떤 테스트 세트가 있나요?

| 데이터셋 | 내용 |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 책 97권에서 뽑은, 모음 부호가 완전히 붙은 75,629,921단어. Shamela 라이브러리의 고전 아랍어 98.85%, 현대 표준 아랍어 1.15% |
| [Fadel 외 벤치마크](https://github.com/AliOsm/arabic-text-diacritization) | Tashkeela에서 추출한 약 230만 단어. 학습 50,000줄, 검증 2,500줄, 테스트 2,500줄 |
| CATT 벤치마크 | 사람이 발음 부호를 넣은 뉴스 문장 742개. CATT 모델과 함께 공개 |
| WikiNews | 사람이 발음 부호를 넣은 MSA 뉴스 문장 400개 |

Tashkeela와 Fadel 세트는 대부분 고전 아랍어입니다. 내 텍스트가 현대 비즈니스나 뉴스 아랍어라면 CATT와 WikiNews 세트가 더 가깝고, 내 텍스트에서 뽑은 샘플이 가장 가깝습니다.

## 글자를 그대로 두는 프롬프트는 무엇인가요?

모델이 할 일은 부호를 넣는 것뿐이고, 그 밖에는 아무것도 건드리면 안 됩니다. 하지만 LLM은 돕고 싶어 해서 الى를 إلى로 고치고, 끝의 ى를 ي로 바꾸고, 빠진 함자를 넣습니다. 각각은 올바른 아랍어일 수 있지만 철자 교정이지 발음 부호 처리가 아닙니다. 알리지도 않고 텍스트를 바꾸는 셈입니다.

그래서 프롬프트로 규칙을 밝히고, 코드로 강제합니다. 응답에서 발음 부호를 지우고, 발음 부호를 지운 입력과 비교합니다. 글자, 공백, 문장 부호가 하나라도 다르면 응답을 거부합니다.

```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))
```

이 코드는 실제 API가 아니라 로컬 목(mock) 서버를 상대로 실행했습니다. 첫 문장에 대한 미리 준비된 응답은 두 번 모두 الى를 إلى로 “고쳤고”, 두 번째 문장의 응답은 깨끗했습니다. 출력은 다음과 같았습니다.

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

코드에 대한 메모:

-   **먼저 유니코드 NFC.** 함자는 미리 조합된 문자 하나(أ)로 올 수도 있고, 글자에 결합 부호가 붙은 형태로 올 수도 있습니다. 비교 전에 NFC로 양쪽을 같게 만듭니다. 이 함정은 [정규화 글](https://broadrouter.com/ko/blog/arabic-text-normalization-search/)에서 자세히 다룹니다.
-   **`max_tokens=4000`.** BroadNet 문서에 따르면 DeepSeek V4.1 Flash, GLM 5.3, Qwen3.8 27B는 답하기 전에 추론하며, 추론도 `max_tokens`에 포함됩니다. 한도가 너무 작으면 빈 응답이 오고, 검사에서 거부됩니다. 여유를 두거나 `reasoning_effort`를 low로 설정하세요. [추론 모델의 빈 응답](https://broadrouter.com/ko/guides/reasoning-tokens-empty-response/)과 [추론 토큰 예산 계산기](https://broadrouter.com/tools/reasoning-token-budget/)를 참고하세요.
-   **이 검사는 “기존 발음 부호 유지”를 확인하지 않습니다.** 입력에 발음 부호가 일부 들어 있다면 그 부호도 비교하세요.
-   **철자는 별도의 결정입니다.** الى를 고치고 싶다면 먼저 교정 단계를 돌린 뒤, 교정된 텍스트에 발음 부호를 넣으세요. 둘을 섞으면 어느 쪽도 검증할 수 없습니다.
-   **긴 텍스트는 나누세요.** 요청마다 문장 하나나 문단 하나를 보내세요. CATT 자체도 입력을 1,024자로 제한하고 긴 문장은 문장 부호에서 자릅니다. 같은 습관이 LLM 응답을 짧게, 재시도를 저렴하게 유지해 줍니다.

아랍어 프롬프트 작성에 대한 일반적인 조언, 모델에게 발음 부호를 넣지 말라고 해야 할 때 등은 [아랍어 프롬프트 엔지니어링](https://broadrouter.com/ko/blog/arabic-prompt-engineering/)을 참고하세요.

## 발음 부호 처리는 어떻게 채점하나요: DER과 WER

**발음 부호 오류율(DER)** 은 발음 부호가 정답과 다른 글자의 비율입니다. 여기서 **단어 오류율(WER)** 은 틀린 발음 부호가 하나 이상 있는 단어의 비율입니다. [음성 인식 글](https://broadrouter.com/ko/blog/arabic-asr-wer-explained/)의 WER과는 다릅니다. 삽입되거나 삭제된 단어가 아니라, 부호가 틀린 단어를 셉니다.

수치를 크게 바꾸는 설정이 두 가지 있습니다.

-   **격어미 포함 여부.** 단어의 마지막 글자는 문법적 격(이으랍, i’rab)을 나타내며, 이는 구문에 따라 달라집니다. 오류의 상당수가 격어미에서 나오므로 논문은 두 조건을 모두 보고합니다.
-   **발음 부호 없는 글자를 셀지 여부.** 어떤 스크립트는 맨 글자(الطالب의 알리프 등)를 “부호 없음”이라는 맞는 예측으로 세고, 어떤 스크립트는 건너뜁니다. Fadel 채점 스크립트에는 이를 위한 플래그가 있습니다.

공개된 스크립트들은 이 선택이 서로 다르므로, 같은 스크립트로 낸 수치끼리만 비교하세요. 다음 스크립트는 읽어 볼 만큼 짧습니다.

```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))
```

이 예시 예측에는 32글자, 7단어에 걸쳐 틀린 격어미 두 개와 틀린 내부 모음 하나가 있습니다. 격어미 포함 시 DER 9.38, WER 42.86, 제외 시 DER 4.0, WER 14.29가 출력됩니다. WER이 몇 안 되는 오류를 얼마나 키우는지 보세요. 부호 하나가 틀리면 단어 전체가 틀린 것이 됩니다.

이 스크립트는 글자가 바뀐 단어는 채점하지 않습니다. 의도한 것입니다. 글자를 고치는 도구는 과제에 실패한 것이고, 그 DER은 의미가 없습니다.

두 번째 확인으로, 규칙 기반 도구인 Mishkal 0.4.1을 저희가 직접 발음 부호를 넣은 16단어 문장 하나에 돌려 봤습니다. 오류 네 개는 모두 격어미였습니다. 예를 들어 مُحَمَّدٌ 대신 مُحَمَّدُ를 냈습니다. 점수는 격어미 포함 DER 5.88, 제외 시 0.0이었습니다. 문장 하나로 Mishkal에 대해 증명되는 것은 없습니다. 두 조건을 모두 보고해야 하는 이유를 보여 줄 뿐입니다.

테스트 세트를 만들려면 내 텍스트에서 문장 100~200개를 골라 원어민에게 발음 부호를 넣게 하고, 부호를 지운 뒤 후보마다 돌려 보세요. 사람이 만든 버전을 정답으로 보관하세요.

## 전용 도구가 LLM보다 나은 경우는 언제인가요?

| 선택 | 조건 |
| --- | --- |
| 전용 모델(CATT, libtashkeel, Mishkal) | 많은 물량, 정해진 텍스트 유형, 엄격한 지연 시간, 오프라인이나 온디바이스 사용, 또는 구조적으로 글자 그대로의 출력이 필요할 때 |
| API로 호출하는 LLM | 적거나 들쭉날쭉한 물량, 섞이거나 지저분한 입력, ML 운영 인력이 없는 팀, 또는 이미 다른 단계에서 LLM을 호출하는 파이프라인 |

전용 모델은 글자마다 부호를 예측하므로 텍스트를 다시 쓸 수 없습니다. [CATT](https://github.com/abjadai/catt)는 Apache 2.0이고 `pip install catt-tashkeel`로 설치합니다. README는 속도에는 인코더 전용 모델을, 정확도에는 인코더-디코더 모델을 권합니다. [libtashkeel](https://github.com/mush42/libtashkeel)은 MIT이고 주로 MSA로 학습했습니다. [Mishkal](https://pypi.org/project/mishkal/)은 규칙 기반이고 GPL이라, 제품 안에 넣어 배포한다면 중요한 차이입니다.

LLM은 더 빨리 시작할 수 있고, 학습된 모델이 본 적 없는 입력, 즉 방언, 아랍어와 영어 혼용, 특이한 문장 부호에도 대응합니다. 다만 모든 응답에 위의 골격 검사가 필요하고, 토큰당 비용이 듭니다.

## LLM 발음 부호 처리 비용은 얼마인가요?

발음 부호는 추가 문자이고, 토크나이저는 이를 추가 토큰으로 쪼갭니다. 2,500줄짜리 Fadel 테스트 세트(125,098단어)를 각 모델의 토크나이저로 맨 텍스트와 완전한 발음 부호 텍스트로 나눠 세어 봤습니다.

| 토크나이저 | 맨 텍스트 | 발음 부호 포함 | 비율 |
| --- | --- | --- | --- |
| 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× |

맨 텍스트에는 입력 토큰을, 발음 부호가 들어간 응답에는 출력 토큰을 내고, 추론이 있다면 그만큼 더 냅니다. 비싼 쪽은 출력입니다. BroadNet 가격 페이지 기준 100만 토큰당 [Qwen3.8 27B](https://broadrouter.com/ko/models/qwen3.8-27b/) $2.17, [DeepSeek V4.1 Flash](https://broadrouter.com/ko/models/deepseek-v4.1-flash/) $0.52, [GLM 5.3](https://broadrouter.com/ko/models/glm-5.3/) $3.46, [Gemma 4 VL 26B](https://broadrouter.com/ko/models/gemma-4-vl-26b/) $0.22 입니다. 검사에 실패한 뒤의 재시도는 비용을 더합니다. 내 데이터에서 비율을 확인하려면 [아랍어 토큰 카운터](https://broadrouter.com/tools/arabic-token-counter/)에 텍스트를 붙여 넣으세요. 애초에 아랍어에 토큰이 더 드는 이유는 [아랍어와 영어의 단어당 토큰 수](https://broadrouter.com/ko/blog/tokens-per-word-arabic-english/)를 참고하세요.

대규모 아카이브를 한 번 처리하는 작업이라면, DeepSeek V4.1 Flash 플랜은 종량 과금 대신 세션당 정액(주당 $15, 시간당 $1)으로 바꿔 줍니다. 각 세션은 한 번에 요청 하나를 처리하므로, [배치 API 없이 하는 배치 처리](https://broadrouter.com/ko/blog/llm-batch-processing-without-batch-api/)처럼 실행 계획을 세우세요.

## BroadNet Inference의 위치

BroadRouter는 BroadNet의 자체 사이트입니다. BroadNet Inference는 위의 채팅 모델 네 개를 OpenAI 호환 엔드포인트 하나로 제공하므로, base URL과 키만 설정하면 [OpenAI Python SDK](https://broadrouter.com/ko/guides/openai-python-sdk/)로 코드가 돌아갑니다. Gemma 4 VL 26B는 $5 상당의 초기 크레딧으로 쓸 수 있고, DeepSeek, GLM, Qwen은 충전이 필요합니다. BroadNet에는 발음 부호 처리 엔드포인트가 없고, 자체 발음 부호 벤치마크도 공개하지 않으며, TTS도 없습니다. 어느 모델이 내 텍스트에 발음 부호를 가장 잘 넣는지는 측정되지 않았습니다. 고르기 전에 내 샘플로 채점해 보세요. 요청 세부 사항은 [API 레퍼런스](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-arabic-diacritization-llm&utm_content=body)를 참고하세요.

관련 무료 도구 (영어)

-   [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.

[무료 도구 (영어)](https://broadrouter.com/tools/)

## 이 글의 용어

[단어 오류율(WER)](https://broadrouter.com/ko/glossary/word-error-rate/)

단어 오류율(WER)은 음성 인식의 표준 정확도 지표입니다. 전사 결과를 올바른 정답 텍스트로 바꾸는 데 필요한 단어 치환, 삭제, 삽입 횟수를 정답 텍스트의 단어 수로 나눈 값이며, 낮을수록 좋습니다.

[음성 합성(TTS, text-to-speech)](https://broadrouter.com/ko/glossary/text-to-speech/)

TTS(text-to-speech), 즉 음성 합성은 글로 쓴 텍스트를 음성 오디오로 변환합니다. TTS API는 텍스트, 목소리, MP3나 WAV 같은 출력 형식을 받아 생성된 음성을 반환합니다. 오디오를 텍스트로 바꾸는 음성 인식(STT)의 반대 방향입니다.

[도구 호출(tool calling)](https://broadrouter.com/ko/glossary/tool-calling/)

도구 호출(tool calling)은 함수 호출(function calling)이라고도 하며, 모델이 개발자가 정의한 함수를 실행해 달라는 구조화된 요청을 JSON 인자와 함께 반환하는 LLM API 기능입니다. 함수는 애플리케이션이 실행하고 그 결과를 다시 보냅니다. 모델이 직접 코드를 실행하지는 않습니다.

[아랍어 발음 구별 기호(타슈킬, tashkeel)](https://broadrouter.com/ko/glossary/arabic-diacritics/)

아랍어 발음 구별 기호, 즉 타슈킬(tashkeel)은 글자 위아래에 붙여 짧은 모음, 겹자음, 모음 없음을 나타내는 작은 기호입니다. 필수가 아니어서 뉴스를 포함한 대부분의 아랍어 텍스트는 이를 생략하며, 독자와 소프트웨어는 문맥으로 모음을 추론합니다.

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

OpenAI 호환 API는 POST /v1/chat/completions처럼 OpenAI API와 같은 요청 및 응답 형식을 받는 HTTP API입니다. 그래서 OpenAI SDK와 도구는 base URL, API 키, 모델 이름만 바꾸면 이 API를 그대로 사용할 수 있습니다.

[현대 표준 아랍어(MSA, Modern Standard Arabic)](https://broadrouter.com/ko/glossary/msa/)

현대 표준 아랍어(MSA)는 아랍 세계 전역에서 글, 뉴스, 교육, 격식 있는 연설에 쓰는 표준화된 아랍어입니다. 누구도 일상 모국어로 쓰지 않습니다. 사람들은 이집트 아랍어나 걸프 아랍어 같은 지역 방언으로 말하고, 격식 있는 자리에서 MSA로 바꿉니다.

[유니코드 정규화(Unicode normalization)](https://broadrouter.com/ko/glossary/unicode-normalization/)

유니코드 정규화는 텍스트를 표준 형식으로 바꿔, 똑같아 보이는 문자열이 같은 코드 포인트를 쓰게 하는 작업입니다. 형식은 NFD, NFC, NFKD, NFKC 네 가지이며, K 형식은 아랍어 표시형(presentation form)이나 합자 같은 호환 문자도 일반 글자로 바꿉니다.

[음성 인식(Speech-to-text, STT)](https://broadrouter.com/ko/glossary/speech-to-text/)

음성 인식(STT)은 자동 음성 인식(ASR)이라고도 하며, 말소리 오디오를 글로 변환하는 기술입니다. 음성 인식 API는 오디오 파일이나 스트림을 받아 전사 텍스트를 반환하며, 보통 오디오 분당 요금이 붙습니다. 정확도는 단어 오류율로 측정하며 억양, 방언, 녹음 품질에 따라 달라집니다.

## 자주 묻는 질문

### 파이썬으로 아랍어 텍스트에 발음 부호를 넣으려면 어떻게 하나요?

두 가지 방법이 있습니다. catt-tashkeel(Apache 2.0)이나 mishkal(GPL) 같은 전용 도구를 설치해 로컬에서 호출하거나, 타쉬킬만 요청하는 프롬프트로 텍스트를 LLM에 보내는 것입니다. LLM을 쓴다면 응답에서 발음 부호를 뺀 결과가 입력과 같은지 항상 확인하세요.

### ChatGPT나 GPT-4는 아랍어 발음 부호를 잘 넣나요?

어떤 테스트에서는 최고 수준의 전용 시스템에 가깝고, 다른 테스트에서는 뒤처집니다. CATT 논문은 자체 뉴스 벤치마크에서 GPT-4의 격어미 포함 DER을 9.515%로 측정했고, 자체 모델은 8.624%였습니다. 2024년의 다른 논문은 Fadel 벤치마크에서 GPT-4의 DER을 약 20%로 보고합니다. 내 텍스트로 테스트하세요.

### 발음 부호 처리에서 DER과 WER은 어떻게 다른가요?

DER은 발음 부호가 틀린 글자의 비율입니다. WER은 틀린 발음 부호가 하나 이상 있는 단어의 비율이라 항상 더 높습니다. 둘 다 격어미(각 단어의 마지막 글자) 포함과 제외 두 조건으로 보고됩니다.

### 타쉬킬을 넣을 때 LLM이 왜 글자를 바꾸나요?

철자까지 고치기 때문입니다. الى가 إلى로 바뀌고, ى가 ي로 바뀌고, 빠진 함자가 생깁니다. 맞는 수정일 수도 있지만 이는 교정이지 발음 부호 처리가 아니며, 글자 단위 채점을 깨뜨립니다. 하지 말라고 요청하고, 모든 응답을 검사하고, 교정이 필요하면 별도 단계로 돌리세요.

### BroadNet으로 발음 부호를 넣은 텍스트를 소리 내어 읽을 수 있나요?

아니요. BroadNet Inference에는 텍스트 음성 변환(TTS) 엔드포인트가 없습니다. 채팅 모델과 음성 인식을 제공합니다. 발음 부호 처리가 TTS 파이프라인의 앞단이라면 결과를 별도 TTS 서비스로 보내세요.

## 이어서 읽기

-   [검색과 RAG를 위한 아랍어 텍스트 정규화: 바꿀 것과 둘 것](https://broadrouter.com/ko/blog/arabic-text-normalization-search/)
-   [아랍어 프롬프트 엔지니어링: 문체, RTL, 숫자, 혼용 텍스트](https://broadrouter.com/ko/blog/arabic-prompt-engineering/)
-   [아랍어와 영어의 단어당 토큰 수: 아랍어가 더 비싼 이유](https://broadrouter.com/ko/blog/tokens-per-word-arabic-english/)
-   [LLM으로 아랍어 개체명 추출하기: JSON, 날짜, 검증](https://broadrouter.com/ko/blog/arabic-named-entity-extraction-llm/)
-   [아랍어용 LLM API 선택: 무엇을 테스트해야 하나](https://broadrouter.com/ko/blog/choosing-an-llm-for-arabic/)
-   [Batch API 없이 LLM 일괄 처리하기: 재개 가능한 실행기](https://broadrouter.com/ko/blog/llm-batch-processing-without-batch-api/)
-   [LLM으로 아랍어 문법·맞춤법 교정하기: 실전 가이드](https://broadrouter.com/ko/blog/arabic-grammar-spelling-correction-llm/)
-   [아랍어 회의 녹음으로 회의록 만들기: API 파이프라인](https://broadrouter.com/ko/blog/arabic-meeting-minutes-from-recordings/)
-   [아랍어 OCR API 비교: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/ko/blog/arabic-ocr-api-comparison/)
-   [가이드: BroadNet Inference에서 OpenAI Python SDK 사용하기](https://broadrouter.com/ko/guides/openai-python-sdk/)
-   [가이드: 추론 모델이 빈 답변을 반환하는 이유](https://broadrouter.com/ko/guides/reasoning-tokens-empty-response/)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

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

**출처**

-   [Alasmary, Zaafarani, Ghannam, CATT: Character-based Arabic Tashkeel Transformer (arXiv 2407.03236v3), 표 4와 5, 데이터셋 크기, 입력 1,024자 제한 (2026-11-15 확인)](https://arxiv.org/html/2407.03236v3)
-   [GitHub abjadai/catt: Apache 2.0 라이선스, pip 패키지 catt-tashkeel, 인코더 전용 vs 인코더-디코더 모델 (2026-11-15 확인)](https://github.com/abjadai/catt)
-   [Fadel 외, Arabic Text Diacritization Using Deep Neural Networks (arXiv 1905.01965): Tashkeela에서 뽑은 5만 5천 줄, 약 230만 단어 (2026-11-15 확인)](https://arxiv.org/abs/1905.01965)
-   [GitHub AliOsm/arabic-text-diacritization: 50,000 / 2,500 / 2,500줄 분할, MIT 라이선스, diacritization\_stat.py (2026-11-15 확인)](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki, Balla, Tashkeela: Novel corpus of Arabic vocalized texts, Data in Brief 2017: 75,629,921단어, 책 97권, 고전 아랍어 98.85% (2026-11-15 확인)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj, Berrada, Arabic Text Diacritization in the Age of Transfer Learning (arXiv 2401.04848): Fadel 벤치마크에서 GPT-4 DER 약 20%, WER 약 30% 보고 (2026-11-15 확인)](https://arxiv.org/html/2401.04848v1)
-   [PyPI의 Mishkal: 버전 0.4.1, GPL, TashkeelClass 사용법 (2026-11-15 확인)](https://pypi.org/project/mishkal/)
-   [GitHub mush42/libtashkeel: 발음 부호 복원 라이브러리, MIT 라이선스, 주로 MSA로 학습한 모델 (2026-11-15 확인)](https://github.com/mush42/libtashkeel)
-   [BroadNet Inference API 레퍼런스: 모델 ID, 추론이 max\_tokens에 포함됨, reasoning\_effort, 엔드포인트 (2026-11-15 확인) (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-arabic-diacritization-llm&utm_content=sources)
