---
title: "Pengecaman pertuturan dialek Arab: cara menguji ASR | BroadRouter"
description: "Mengapa speech-to-text bergelut dengan bahasa Arab Teluk, Mesir, Levant dan Maghreb, dan cara membina set ujian dialek untuk menilai penyedia pada audio anda."
url: https://broadrouter.com/ms/blog/arabic-dialect-speech-recognition/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-dialect-speech-recognition/) (dikemas kini 2026-11-16).

# Pengecaman pertuturan dialek Arab: Teluk, Mesir, Levant, Maghreb

Oleh pasukan BroadNet Inference · 5 minit bacaan · Diterbitkan 2026-11-14 · Dikemas kini 2026-11-16

Dialek Arab berbeza daripada bahasa Arab Standard Moden dari segi bunyi, perkataan dan ejaan, dan penutur mencampurkan bahasa Inggeris atau Perancis, jadi model ASR yang kebanyakannya dilatih pada bahasa Arab formal mendapat skor jauh lebih rendah. Untuk menguji penyedia, bina set ujian bagi setiap dialek daripada audio sebenar anda, tetapkan konvensyen ejaan, dan skor WER, CER serta ketepatan entiti bagi setiap dialek.

## Perkara utama

-   Dialek ialah pemacu utama ketepatan ASR bahasa Arab: BroadNet melaporkan WER 3.8 pada bahasa Arab yang dibaca dan 23.4 pada pertuturan dialek untuk model yang sama.
-   Dialek tiada ejaan piawai, jadi tentukan sama ada rujukan ialah dialek verbatim atau dinormalkan sebelum anda membuat skor.
-   Pertuturan Teluk bercampur bahasa Inggeris; pertuturan Maghreb bercampur bahasa Perancis. Skor klip bertukar kod sebagai kumpulan tersendiri.
-   Laporkan WER dan CER bagi setiap dialek, serta ketepatan nombor dan nama. Jangan percaya satu angka purata.
-   Tiga puluh hingga lima puluh klip setiap dialek, dengan sepuluh rujukan yang disemak secara manual, sudah cukup untuk menyusun kedudukan penyedia.

**Dalam halaman ini**

1.  Mengapakah dialek Arab sukar untuk pengecaman pertuturan?
2.  Bagaimanakah setiap dialek Arab mengelirukan pengecaman pertuturan?
3.  Bagaimanakah cara membina set ujian dialek Arab?
4.  Apakah yang diberitahu oleh angka WER bahasa Arab yang diterbitkan?
5.  LLM manakah yang patut membaca transkrip dialek?
6.  Di manakah BroadNet Inference sesuai

Speech-to-text bergelut dengan dialek Arab kerana ia berbeza daripada bahasa Arab Standard Moden (MSA) dari segi bunyi, perkataan dan ejaan, dan penutur mencampurkan bahasa Inggeris atau Perancis. Untuk mengetahui prestasi sesebuah penyedia, bina set ujian kecil bagi setiap dialek daripada audio sebenar anda dan skor setiap dialek secara berasingan.

Pemanggil dari Riyadh, nota suara dari Kaherah dan panggilan sokongan dari Casablanca semuanya “bahasa Arab”, dan satu model boleh mengendalikan yang pertama dengan baik tetapi yang ketiga dengan teruk.

Artikel ini menerangkan apa yang menjadikan setiap kumpulan dialek utama sukar untuk pengecaman pertuturan, dan cara membina ujian yang menunjukkan prestasi penyedia pada dialek **anda**. Untuk senarai semak pembelian yang lebih luas (harga, had, privasi), lihat [panduan pembeli speech-to-text bahasa Arab](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/).

## Mengapakah dialek Arab sukar untuk pengecaman pertuturan?

Empat masalah bertindan:

1.  **Bunyi berbeza.** Huruf yang sama disebut secara berbeza mengikut wilayah, jadi model akustik mesti memetakan beberapa bunyi kepada satu ejaan.
2.  **Perkataan berbeza.** Perkataan harian berbeza mengikut dialek. Model yang kebanyakannya dilatih pada MSA mungkin “membetulkan” perkataan dialek kepada padanan formalnya, dan itu dikira sebagai ralat jika rujukan anda verbatim.
3.  **Tiada ejaan piawai.** Dialek ditulis secara tidak formal, jadi dua penyalin manusia pun tidak bersetuju. Data latihan juga tidak sekata: kajian 2024 tentang liputan dialek mencatat bahawa sistem ASR sedia ada “mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects” (Terjemahan: kebanyakannya meliputi varian bahasa Arab standard moden (MSA) dan beberapa dialek yang kaya sumber) ([arXiv 2411.05872](https://arxiv.org/abs/2411.05872)).
4.  **[Pertukaran kod](https://broadrouter.com/ms/glossary/code-switching/).** Penutur mencampurkan bahasa Inggeris atau Perancis di tengah ayat. Set data [Casablanca](https://aclanthology.org/2024.emnlp-main.1211), yang meliputi lapan dialek, menganotasi pertukaran kod bersama dialek dan jantina.

Kertas [Open Universal Arabic ASR Leaderboard](https://arxiv.org/abs/2412.13788) (Interspeech 2025) menilai model sumber terbuka merentasi beberapa set ujian pelbagai dialek atas sebab inilah: satu skor bahasa Arab menyembunyikan sebaran prestasi.

## Bagaimanakah setiap dialek Arab mengelirukan pengecaman pertuturan?

| Kumpulan dialek | Di mana | Titik masalah ASR yang biasa |
| --- | --- | --- |
| Teluk (Khaleeji) | Arab Saudi, UAE, Kuwait, Qatar, Bahrain, Oman | Nama produk, nombor dan istilah jenama dalam bahasa Inggeris bercampur; sebutan qaf dan kaf mengikut wilayah |
| Mesir | Mesir | Jeem disebut sebagai g keras; qaf selalunya hentian glotis; sangat lazim dalam media, jadi model biasanya lebih kerap melihatnya |
| Levant | Syria, Lubnan, Jordan, Palestin | Qaf bandar sebagai hentian glotis; bercampur bahasa Perancis atau Inggeris, terutamanya di Lubnan |
| Maghreb (Darija) | Maghribi, Algeria, Tunisia, Libya | Paling jauh daripada MSA; vokal pendek digugurkan; pertukaran kod bahasa Perancis yang banyak; kata pinjaman Amazigh |
| Iraq | Iraq | Kosa kata dan sebutan tersendiri; kurang audio latihan awam |

Ini kecenderungan, bukan peraturan. Pertuturan bandar dan luar bandar berbeza dalam setiap kumpulan, dan penutur muda lebih kerap bertukar kod. Intinya, setiap kumpulan gagal dengan caranya sendiri, jadi skor setiap kumpulan secara berasingan.

## Bagaimanakah cara membina set ujian dialek Arab?

### 1\. Ambil sampel audio sebenar bagi setiap dialek

Ambil 30 hingga 50 klip setiap dialek daripada saluran yang akan anda gunakan dalam pengeluaran: panggilan telefon, nota suara WhatsApp, rakaman mesyuarat. Audio telefon pada 8 kHz berkelakuan berbeza daripada audio studio. Labelkan setiap klip mengikut dialek, dan tandakan klip yang mengandungi bahasa Inggeris atau Perancis.

### 2\. Persetujui konvensyen ejaan dahulu

Sebelum sesiapa menulis rujukan, tentukan:

-   **Dialek verbatim** (tulis apa yang disebut, dalam ejaan dialek), atau
-   **Dinormalkan** (petakan kepada bentuk yang konsisten).

Tulis pilihan itu bersama contoh. Jika rujukan verbatim dan model mengeluarkan perkataan seperti MSA, WER akan kelihatan teruk walaupun maknanya betul. Kedua-dua pilihan tidak salah. Ia mesti sepadan dengan keperluan sistem hiliran anda.

### 3\. Tulis rujukan untuk 10 klip setiap dialek

Minta penutur asli dialek itu mentranskripsikannya. Untuk klip bertukar kod, tentukan sama ada perkataan Inggeris kekal dalam tulisan Rumi, dan gunakannya di semua tempat.

### 4\. Normalkan kedua-dua belah, kemudian buat skor

Buang baris (diakritik), seragamkan bentuk alif (إ أ آ kepada ا) dan ya akhir (ى kepada ي), buang tanda baca, dan tukar digit Arab Timur kepada digit Barat. Kemudian kira:

| Metrik | Mengapa |
| --- | --- |
| [WER](https://broadrouter.com/ms/glossary/word-error-rate/) setiap dialek | Ukuran piawai; ketat terhadap klitik dan awalan |
| CER setiap dialek | Lebih bertolak ansur terhadap variasi ejaan |
| Ketepatan entiti | Bahagian nombor, tarikh dan nama yang ditranskripsikan dengan tepat |
| WER kumpulan bertukar kod | Menunjukkan sama ada perkataan Inggeris atau Perancis terselamat |

Pakej `jiwer` mengira WER dan CER; [Arabic WER explained](https://broadrouter.com/ms/blog/arabic-asr-wer-explained/) mempunyai fungsi penormalan yang boleh anda guna semula dan contoh lengkap tentang sejauh mana ia mengubah skor.

### 5\. Baca transkrip

Nombor menentukan sama ada aliran kerja pusat panggilan atau perbankan berfungsi. Baca 20 transkrip setiap dialek dan semak setiap nombor, tarikh dan nama secara manual.

## Apakah yang diberitahu oleh angka WER bahasa Arab yang diterbitkan?

Penanda aras awam memberi arah, bukan janji. BroadNet menerbitkan tiga angka WER untuk BroadNet Transcribe Arabic dalam [katalog model](https://www.broadnet.ai/inference/models)nya: 3.8 pada FLEURS-ar (pertuturan dibaca yang bersih), 21.1 pada MASC-ar (pertuturan dunia sebenar bercampur) dan 23.4 pada set dialeknya sendiri. Itu lonjakan enam kali ganda untuk model yang sama antara pertuturan dibaca dan pertuturan dialek, dan itulah sebabnya anda menguji pada dialek anda sendiri.

Apabila membandingkan penyedia, bandingkan mereka pada set ujian yang sama. Papan pendahulu seperti [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard) berguna kerana setiap model diskor dengan cara yang sama. Angka vendor sendiri pada set sendiri tidak boleh dibandingkan dengan angka vendor lain.

## LLM manakah yang patut membaca transkrip dialek?

Transkrip biasanya disalurkan kepada LLM: untuk meringkaskan panggilan, menghala tiket atau menjawab soalan. Model itu juga perlu membaca dialek. [Panduan memilih LLM untuk bahasa Arab](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/) kami menerangkan cara mengujinya, dan [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) ialah model yang diuji oleh BroadNet pada dialek Teluk dan Mesir.

## Di manakah BroadNet Inference sesuai

[BroadNet Transcribe Arabic](https://broadrouter.com/ms/models/cohere-transcribe-arabic/) dibina untuk bahasa Arab termasuk dialek, berharga $0.0042 seminit ($0.25 sejam), dan BroadNet melaporkan ia #2 daripada 37 (angka September 2026; papan kedudukan langsung menyenaraikannya di #4 daripada 39 pada 15 November 2026) pada Open Universal Arabic ASR Leaderboard, dan #1 dalam kalangan model yang lesennya membenarkan perkhidmatan melalui API. Untuk nombor, tarikh dan nama dalam audio bising, BroadNet menawarkan versi yang ditala halus [atas permintaan](https://broadrouter.com/ms/models/#on-request). Kredit permulaan $5 meliputi kira-kira 1,190 minit, cukup untuk ujian penuh di atas; [kalkulator kos speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) menukar volum pengeluaran anda kepada bil bulanan. [Cipta kunci](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-dialect-speech-recognition&utm_content=body) untuk bermula.

BroadNet tidak menerbitkan angka WER berasingan untuk setiap kumpulan dialek. Itulah sebabnya anda patut menjalankan ujian ini: angka set dialeknya hanya satu nombor, dan pelanggan anda bertutur satu atau dua dialek, bukan semuanya.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/)

Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.

[Bahasa Arab Standard Moden (MSA)](https://broadrouter.com/ms/glossary/msa/)

Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.

[Kadar ralat perkataan (word error rate, WER)](https://broadrouter.com/ms/glossary/word-error-rate/)

Kadar ralat perkataan (WER) ialah ukuran ketepatan standard untuk pengecaman pertuturan: bilangan penggantian, pemadaman dan penyisipan perkataan yang diperlukan untuk menukar transkrip kepada rujukan yang betul, dibahagi dengan bilangan perkataan dalam rujukan. Lebih rendah lebih baik.

[Dialek Arab (dialectal Arabic)](https://broadrouter.com/ms/glossary/dialectal-arabic/)

Dialek Arab ialah bahasa Arab pertuturan harian di sesuatu rantau atau bandar, seperti bahasa Arab Mesir, Teluk, Levant atau Maghribi. Dialek berbeza daripada Bahasa Arab Standard Moden dari segi bunyi, perkataan dan tatabahasa, tiada ejaan standard, dan semakin banyak ditulis dalam talian, menjadikannya lebih sukar bagi model bahasa.

[Pengecaman dialek Arab (Arabic dialect identification)](https://broadrouter.com/ms/glossary/arabic-dialect-identification/)

Pengecaman dialek Arab ialah tugas menentukan varian bahasa Arab yang digunakan dalam sesuatu teks atau rakaman, seperti Mesir, Teluk, Levant, Maghribi atau Bahasa Arab Standard Moden, pada peringkat rantau, negara atau bandar. Ia digunakan untuk menghalakan mesej, memilih prompt dan membahagikan set penilaian.

[Kadar ralat aksara (character error rate, CER)](https://broadrouter.com/ms/glossary/character-error-rate/)

Kadar ralat aksara (CER) mengukur ketepatan transkripsi atau OCR pada peringkat aksara: penggantian, pemadaman dan penyisipan yang diperlukan untuk menukar output kepada teks rujukan, dibahagikan dengan bilangan aksara dalam rujukan. Lebih rendah lebih baik, dan 0 ialah padanan sempurna.

[Penukaran kod (code-switching)](https://broadrouter.com/ms/glossary/code-switching/)

Penukaran kod ialah penggunaan dua atau lebih bahasa, atau varian satu bahasa, dalam perbualan atau ayat yang sama, sama ada dalam pertuturan atau penulisan. Contohnya penutur Arab yang mencampurkan perkataan Inggeris ke dalam dialek, atau bertukar antara Bahasa Arab Standard Moden dan dialek mereka.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

## Soalan lazim

### Dialek Arab manakah yang paling sukar untuk pengecaman pertuturan?

Tiada kedudukan sejagat; ia bergantung pada data latihan model. Dialek Maghreb seperti Maghribi dan Algeria selalunya sukar kerana ia paling jauh daripada bahasa Arab Standard Moden dan bercampur bahasa Perancis. Uji dialek anda sendiri dan jangan bergantung pada kedudukan umum.

### Bolehkah speech-to-text memahami bahasa Arab Mesir?

Selalunya lebih baik daripada dialek yang jarang, kerana bahasa Arab Mesir digunakan secara meluas dalam media, tetapi jangkakan ketepatan lebih rendah berbanding bahasa Arab formal. Ukurlah pada rakaman anda sendiri.

### Patutkah saya menggunakan WER atau CER untuk bahasa Arab?

Gunakan kedua-duanya. WER mengira perkataan penuh, jadi awalan atau klitik yang salah menjadikan seluruh perkataan salah. CER mengira aksara dan lebih bertolak ansur terhadap variasi ejaan, yang penting bagi dialek tanpa ejaan piawai.

### Berapakah klip audio yang saya perlukan untuk menguji penyedia ASR bahasa Arab?

Kira-kira 30 hingga 50 klip sebenar setiap dialek, dengan sekurang-kurangnya 10 setiap dialek ditranskripsikan secara manual sebagai rujukan. Itu cukup untuk melihat perbezaan besar antara penyedia.

### Adakah kod bahasa penting untuk dialek Arab?

Hantar language=ar. Dialek berkongsi kod ar pada kebanyakan API. Tanpanya, sesetengah model memulangkan pertuturan Arab yang ditransliterasi ke huruf Rumi.

## Teruskan membaca

-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Alternatif API Whisper: bila perlu bertukar, dan cara mengujinya](https://broadrouter.com/ms/blog/whisper-api-alternative/)
-   [Cara mentranskripsi rakaman pusat panggilan: saluran sedia bahasa Arab](https://broadrouter.com/ms/blog/transcribe-call-center-recordings/)
-   [Terjemah audio bahasa Arab ke teks Inggeris dengan API: saluran diuji](https://broadrouter.com/ms/blog/translate-arabic-audio-to-english/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-dialect-speech-recognition&utm_content=page-cta) ·

**Sumber**

-   [Talafha et al., Casablanca: Data and Models for Multidialectal Arabic Speech Recognition (EMNLP 2024; disemak 2026-11-14)](https://aclanthology.org/2024.emnlp-main.1211)
-   [Wang, Alhmoud dan Alqurishi, Open Universal Arabic ASR Leaderboard (Interspeech 2025; arXiv 2412.13788; disemak 2026-11-14)](https://arxiv.org/abs/2412.13788)
-   [Dialectal Coverage and Generalization in Arabic Speech Recognition (arXiv 2411.05872; disemak 2026-11-14)](https://arxiv.org/abs/2411.05872)
-   [Open Universal Arabic ASR Leaderboard, Hugging Face Space (disemak 2026-11-14)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Katalog model BroadNet, speech-to-text: WER seperti yang dilaporkan oleh BroadNet (disemak 2026-11-14) (Bahasa Inggeris)](https://www.broadnet.ai/inference/models)
