BroadRouter
Começar

Dialetos árabes e speech-to-text: Golfo, Egito, Levante, Magreb

Pela equipe da BroadNet Inference · 5 min de leitura · Publicado em · Atualizado em

Os dialetos árabes diferem do árabe padrão moderno em sons, palavras e grafia, e os falantes misturam inglês ou francês, então modelos de ASR treinados principalmente em árabe formal se saem bem pior neles. Para testar um provedor, monte um conjunto de teste por dialeto com seu áudio real, fixe uma convenção de grafia e meça WER, CER e acerto de entidades por dialeto.

O speech-to-text tem dificuldade com os dialetos árabes porque eles diferem do árabe padrão moderno (MSA) em sons, palavras e grafia, e os falantes misturam inglês ou francês. Para saber como um provedor vai se sair, monte um pequeno conjunto de teste por dialeto com seu áudio real e avalie cada dialeto separadamente.

Uma ligação de Riad, um áudio do Cairo e um atendimento de Casablanca são todos “árabe”, e o mesmo modelo pode lidar bem com o primeiro e mal com o terceiro.

Este post explica o que torna cada grande grupo de dialetos difícil para o reconhecimento de fala e como montar um teste que mostre como um provedor vai se sair nos seus dialetos. Para o checklist de compra mais amplo (preço, limites, privacidade), veja o guia de compra de speech-to-text para árabe.

Por que os dialetos árabes são difíceis para o reconhecimento de fala?

Quatro problemas se somam:

  1. Sons diferentes. A mesma letra é pronunciada de forma diferente em cada região, então o modelo acústico precisa associar vários sons a uma única grafia.
  2. Palavras diferentes. As palavras do dia a dia mudam de um dialeto para outro. Um modelo treinado principalmente em MSA pode “corrigir” uma palavra dialetal para o equivalente formal, o que conta como erro se a sua referência for ao pé da letra.
  3. Sem grafia padrão. Os dialetos são escritos de forma informal, então até dois transcritores humanos discordam. Os dados de treino também são desiguais: um estudo de 2024 sobre cobertura dialetal observa que os sistemas de ASR existentes “mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects” (tradução: cobrem principalmente a variedade padrão moderna do árabe e poucos dialetos com muitos recursos) (arXiv 2411.05872).
  4. Code-switching. Os falantes passam para o inglês ou o francês no meio da frase. O dataset Casablanca, que cobre oito dialetos, anota o code-switching junto com dialeto e gênero.

O artigo do Open Universal Arabic ASR Leaderboard (Interspeech 2025) avalia modelos open source em vários conjuntos de teste multidialetais exatamente por isso: uma única nota para “árabe” esconde a dispersão.

Como cada dialeto árabe atrapalha o reconhecimento de fala?

Grupo de dialetos Onde Pontos típicos de erro do ASR
Golfo (khaleeji) Arábia Saudita, EAU, Kuwait, Catar, Bahrein, Omã Nomes de produtos, números e marcas em inglês misturados; pronúncia regional de qaf e kaf
Egípcio Egito Jeem pronunciado como g duro; qaf muitas vezes vira oclusiva glotal; muito presente na mídia, então os modelos costumam ver mais dele
Levantino Síria, Líbano, Jordânia, Palestina Qaf urbano como oclusiva glotal; francês ou inglês misturados, sobretudo no Líbano
Magrebino (darija) Marrocos, Argélia, Tunísia, Líbia O mais distante do MSA; vogais curtas suprimidas; muito code-switching com francês; empréstimos amazigh
Iraquiano Iraque Vocabulário e pronúncia próprios; menos áudio público para treino

São tendências, não regras. Dentro de cada grupo, a fala urbana e a rural diferem, e os mais jovens fazem mais code-switching. O ponto é que cada grupo erra do seu jeito, então cada grupo deve ser avaliado separadamente.

Como montar um conjunto de teste para dialetos árabes?

1. Colete áudio real por dialeto

Separe de 30 a 50 clipes por dialeto do canal que você vai usar em produção: ligações, áudios de WhatsApp, gravações de reuniões. Áudio de telefone em 8 kHz se comporta de forma diferente de áudio de estúdio. Marque cada clipe com o dialeto e sinalize os que contêm inglês ou francês.

2. Combine antes uma convenção de grafia

Antes que alguém escreva uma referência, decida:

  • Dialeto ao pé da letra (escrever o que foi dito, com grafia dialetal), ou
  • Normalizado (mapear para uma forma consistente).

Registre a escolha por escrito, com exemplos. Se as referências forem ao pé da letra e o modelo devolver palavras parecidas com MSA, o WER vai parecer péssimo mesmo quando o sentido estiver certo. Nenhuma das escolhas é errada. Ela precisa bater com o que o sistema seguinte precisa.

3. Escreva referências para 10 clipes por dialeto

Peça a falantes nativos daquele dialeto que as transcrevam. Nos clipes com code-switching, decida se as palavras em inglês ficam em letras latinas e aplique a regra em tudo.

4. Normalize os dois lados e depois meça

Remova os diacríticos, unifique as formas de alef (إ أ آ para ا) e o yaa final (ى para ي), tire a pontuação e converta os dígitos arábico-orientais em dígitos ocidentais. Depois calcule:

Métrica Por quê
WER por dialeto A medida padrão; rigorosa com clíticos e prefixos
CER por dialeto Tolera melhor variações de grafia
Acerto de entidades Parcela de números, datas e nomes transcritos exatamente
WER do grupo com code-switching Mostra se as palavras em inglês ou francês sobrevivem

O pacote jiwer calcula WER e CER; WER em árabe explicado traz uma função de normalização que você pode reaproveitar e um exemplo prático de quanto ela muda a nota.

5. Leia as transcrições

São os números que decidem se um fluxo de call center ou bancário funciona. Leia 20 transcrições por dialeto e confira à mão cada número, data e nome.

O que os WER publicados para árabe dizem?

Benchmarks públicos dão uma direção, não uma promessa. A BroadNet publica três valores de WER para o BroadNet Transcribe Arabic no seu catálogo de modelos: 3,8 no FLEURS-ar (fala lida e limpa), 21,1 no MASC-ar (fala real mista) e 23,4 no seu próprio conjunto de dialetos. Para o mesmo modelo, é um salto de seis vezes entre fala lida e fala dialetal, e é por isso que você testa nos seus próprios dialetos.

Ao comparar provedores, compare no mesmo conjunto de teste. Um leaderboard como o Open Universal Arabic ASR Leaderboard é útil porque todos os modelos são avaliados do mesmo jeito. O número de um fornecedor no próprio conjunto não é comparável com o de outro fornecedor.

Qual LLM deve ler as transcrições em dialeto?

As transcrições costumam alimentar um LLM: para resumir uma ligação, encaminhar um ticket ou responder a uma pergunta. Esse modelo também precisa ler dialeto. Nosso guia para escolher um LLM para árabe mostra como testá-lo, e o Qwen3.8 27B é o modelo que a BroadNet testou nos dialetos do Golfo e egípcio.

Onde a BroadNet Inference se encaixa

O BroadNet Transcribe Arabic foi feito para árabe, incluindo dialetos, custa $0.0042 por minuto ($0.25 por hora), e a BroadNet informa que ele fica #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) no Open Universal Arabic ASR Leaderboard, e em 1º entre os modelos cuja licença permite servi-los por API. Para números, datas e nomes em áudio com ruído, a BroadNet oferece uma versão com fine-tuning sob demanda. O crédito inicial de $5 cobre cerca de 1,190 minutos, o suficiente para o teste completo acima; a calculadora de custo de speech-to-text transforma seu volume de produção em uma conta mensal. Crie uma chave para começar.

A BroadNet não publica valores de WER separados para cada grupo de dialetos. É exatamente por isso que você deve fazer este teste: o valor do conjunto de dialetos é um único número, e seus clientes falam um ou dois dialetos, não todos.

Perguntas frequentes

Qual dialeto árabe é o mais difícil para o reconhecimento de fala?

Não existe um ranking universal; depende dos dados de treino do modelo. Os dialetos magrebinos, como o marroquino e o argelino, costumam ser difíceis porque são os mais distantes do árabe padrão moderno e misturam francês. Teste o seu dialeto em vez de confiar em um ranking geral.

O speech-to-text entende árabe egípcio?

Muitas vezes melhor do que dialetos mais raros, porque o egípcio é muito usado na mídia, mas espere uma precisão menor do que no árabe formal. Meça nas suas próprias gravações.

Para árabe, devo usar WER ou CER?

Use os dois. O WER conta palavras inteiras, então um prefixo ou clítico errado torna a palavra toda errada. O CER conta caracteres e tolera melhor variações de grafia, o que importa em dialetos sem grafia padrão.

Quantos clipes de áudio preciso para testar um provedor de ASR em árabe?

Cerca de 30 a 50 clipes reais por dialeto, com pelo menos 10 por dialeto transcritos à mão como referência. Isso basta para ver grandes diferenças entre provedores.

O código de idioma importa para os dialetos árabes?

Envie language=ar. Na maioria das APIs os dialetos compartilham o código ar. Sem ele, alguns modelos devolvem a fala árabe transliterada em letras latinas.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity