---
title: "Arapça WER nedir? Arapça ASR için kelime hata oranı | BroadRouter"
description: "Kelime hata oranı ne demek, nasıl hesaplanır ve Arapça WER neden harekelere, yazım normalleştirmesine ve lehçelere bu kadar duyarlı? Python ve gerçek sayılarla."
url: https://broadrouter.com/tr/blog/arabic-asr-wer-explained/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/arabic-asr-wer-explained/) (güncelleme: 2026-11-14).

# Arapça ASR için kelime hata oranı (WER) nedir?

BroadNet Inference ekibi · 5 dk okuma · Yayımlandı 2026-11-14

Kelime hata oranı (WER), değiştirilen, silinen ve eklenen kelimelerin sayısının referans transkriptteki kelime sayısına bölümüdür. Düşük olan daha iyidir. Arapça WER'i karşılaştırmak zordur, çünkü harekeler, elif ve tâ merbûta yazımı ve lehçeler onu şişirir. BroadNet, BroadNet Transcribe Arabic için FLEURS-ar'da 3,8, lehçe konuşmada 23,4 WER bildiriyor.

## Öne çıkanlar

-   WER = (değiştirmeler + silmeler + eklemeler) / referanstaki kelime sayısı. %100'ü aşabilir.
-   Arapça yazım varyantları (أ/إ/ا, ة/ه, ى/ي, harekeler), önce iki metni de normalleştirmezseniz hata sayılabilir.
-   Kullandığınız normalleştirmeyi her zaman belirtin. Farklı normalleştirmeyle elde edilmiş iki WER sayısı karşılaştırılamaz.
-   BroadNet, BroadNet Transcribe Arabic için FLEURS-ar'da 3,8, MASC-ar'da 21,1 ve kendi lehçe setinde 23,4 bildiriyor.
-   Yalnızca puana değil hatalara bakın: bir tutardaki tek yanlış rakam, on yanlış edattan daha önemlidir.

**Bu sayfada**

1.  Kelime hata oranı nedir?
2.  Arapça WER’i karşılaştırmak neden zor?
3.  Normalleştirme puanı ne kadar değiştirir?
4.  Python’da Arapça WER nasıl hesaplanır?
5.  BroadNet Arapça için hangi WER değerlerini bildiriyor?
6.  Kendi seslerinizde WER’i nasıl ölçersiniz?
7.  WER dışında neleri ölçmelisiniz?

[Kelime hata oranı](https://broadrouter.com/tr/glossary/word-error-rate/) (WER), değiştirilen, silinen ve eklenen kelimelerin sayısının doğru transkriptteki kelime sayısına bölümüdür. Düşük olan daha iyidir. Arapça WER kolayca şişer: aynı doğru transkript birkaç şekilde yazılabilir ve saf bir karşılaştırma her yazım tercihini, her harekeyi ve her lehçe yazımını hata olarak sayar.

Bu yazı WER’in neyi ölçtüğünü, Arapçanın onu neden kaygan hâle getirdiğini ve sayılarınızın bir anlam taşıması için nasıl hesaplanacağını anlatıyor. Test setinin kendisini kurmak için [Arapça lehçe konuşma tanıma](https://broadrouter.com/tr/blog/arabic-dialect-speech-recognition/) yazısına, sağlayıcı seçmek için [Arapça konuşmadan metne API satın alma rehberine](https://broadrouter.com/tr/blog/arabic-speech-to-text-api-buyers-guide/) bakın.

## Kelime hata oranı nedir?

Kelime hata oranı, makine transkriptini (hipotez) doğru bir insan transkriptiyle (referans) karşılaştırır. Birini diğerine dönüştüren en az sayıdaki kelime düzenlemesini bulur:

-   **S, değiştirmeler (substitutions):** başka bir kelimeyle değiştirilmiş kelime.
-   **D, silmeler (deletions):** hipotezde eksik olan bir referans kelimesi.
-   **I, eklemeler (insertions):** hipotezdeki fazladan bir kelime.

Sonra:

**WER = (S + D + I) / N**; burada N referanstaki kelime sayısıdır.

0,10 WER (çoğu zaman 10 olarak yazılır), kabaca her on referans kelimesinde bir hata demektir. Düşük olan daha iyidir. Eklemeler sayıldığı için, uydurma kelimelerle dolu bir transkriptte WER %100’ün üstüne çıkabilir.

Karakter hata oranı (CER), aynı formülün karakterler üzerinde uygulanmasıdır. Bir önekteki tek yanlış harfin bütün kelimeyi yanlış saydırdığı Arapçada işe yarar.

## Arapça WER’i karşılaştırmak neden zor?

### 1\. Harekeler

Arapçadaki kısa ünlüler, harflerin üstüne ve altına konan isteğe bağlı işaretlerle (teşkil) yazılır: fetha, damme, kesra, sükûn, şedde ve tenvin. Gündelik metin bunları yazmaz. Referansınızda “مَدْرَسَةٌ” varsa ve model “مدرسة” yazarsa, her Arapça okuyucu aynı kelimeyi görse de katı bir karşılaştırma bunu değiştirme olarak sayar.

### 2\. Yazım varyantları

Bazı harflerin yaygın, kabul görmüş varyantları var:

| Varyasyon | Örnek | Tipik normalleştirme |
| --- | --- | --- |
| Elif üzerinde hemze | أحمد / احمد, إلى / الى | أ إ آ harflerini ا’ya eşleyin |
| Tâ merbûta ve hâ | مدرسة / مدرسه | ة’yi ه’ye eşleyin |
| Elif maksûra ve yâ | على / علي (gevşek yazımda) | ى’yi ي’ye eşleyin |
| Elifli tenvin | صباحاً / صباحا | Harekeyi silin |
| Tatvil (uzatma) | جـمـيـل / جميل | ـ işaretini kaldırın |

### 3\. Bitişik ekler ve kelime sınırları

Arapça bağlaçları, edatları ve zamirleri kelimelere bitiştirir: “وبمدرستهم” tek bir yazılı kelimede “ve onların okulunda” demektir. Model “و بمدرستهم” diye boşlukla yazarsa kelime sayısı değişir ve WER bunu iki kez cezalandırır. Bazı değerlendirmeler kelimeleri önce biçimbirimlere ayırır; çoğu ayırmaz. Hangisini okuduğunuzu bilin.

### 4\. Lehçeler

[Modern Standart Arapçanın](https://broadrouter.com/tr/glossary/msa/) aksine lehçe konuşma için standart bir yazım yok. “İstiyorum” diyen Mısırlı bir konuşmacı “عايز” ya da “عاوز” diye yazıya dökülebilir; Körfezli bir konuşmacının “ne”si “وش” ya da “ويش” olabilir. Bazı transkripsiyon yapanlar lehçeyi MSA’ya “düzeltir” de. Anlam kusursuz olsa bile bunların her biri bir WER hatasıdır. Lehçe WER’in okunmuş konuşma WER’inden bu kadar yüksek olmasının büyük bir nedeni bu.

### 5\. Sayılar ve dil değiştirme

Konuşmacılar cümlenin ortasında sık sık İngilizceye geçer ([code-switching](https://broadrouter.com/tr/glossary/code-switching/)). “٢٥” mi, “25” mi, yoksa “خمسة وعشرين” mi? İngilizce bir marka adı Latin harfleriyle mi, Arap harfleriyle mi yazılıyor? Bir kural belirleyin, referansa uygulayın ve hipotezi ona göre normalleştirin.

## Normalleştirme puanı ne kadar değiştirir?

Referans: **ذهبت إلى المدرسة صباحاً** (“Sabah okula gittim”)

Hipotez: **ذهبت الى المدرسه صباحا**

Normalleştirme olmadan dört kelimeden üçü farklı (إلى/الى, المدرسة/المدرسه, صباحاً/صباحا): **WER %75.** İki metni de normalleştirdikten sonra birebir aynılar: **WER %0.** Aynı transkript, aynı kalite; sayı ise berbattan kusursuza geçti. Bu yüzden normalleştirme kuralları verilmeyen bir WER değeri size pek bir şey söylemez.

## Python’da Arapça WER nasıl hesaplanır?

```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]))
```

Karşılaştırdığınız her modelde, referanslara ve hipotezlere tam olarak aynı fonksiyonu uygulayın. Bu fonksiyonu sayılarınızın yanında yayımlayın.

## BroadNet Arapça için hangi WER değerlerini bildiriyor?

BroadNet, [BroadNet Transcribe Arabic](https://broadrouter.com/tr/models/cohere-transcribe-arabic/) için laboratuvar ölçümlerini [model kataloğunda](https://www.broadnet.ai/inference/models) yayımlıyor:

| Test seti | Nedir | BroadNet’in bildirdiği WER |
| --- | --- | --- |
| FLEURS-ar | Temiz okunmuş cümleler | 3,8 |
| MASC-ar | Karışık, gerçek dünya Arapça konuşması | 21,1 |
| BroadNet lehçe seti | Lehçe konuşma | 23,4 |

BroadNet ayrıca modelin [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard) üzerinde 37 model arasında 2. (Eylül 2026 verisi; canlı sıralamada 15 Kasım 2026 itibarıyla 39 model arasında 4.) sırada olduğunu ve lisansı API üzerinden sunulmaya izin veren modeller arasında 1 numara olduğunu bildiriyor. Bunlar BroadNet’in rakamları, bağımsız denetimler değil. Leaderboard her modele tek bir değerlendirme kurulumu uyguluyor; bu da sıralamalarını ayrı satıcı sayfalarındaki sayılardan daha karşılaştırılabilir kılıyor.

Yalnızca en iyi sayıya değil, aralığa bakın. 3,8’den 23,4’e sıçrama, tek bir model için okunmuş konuşma ile doğaçlama lehçe arasındaki farktır; bu yüzden her adayı iki tür seste de test edin. Çağrı merkezi hatları, WhatsApp sesli mesajları ya da toplantılar olsun, kendi sesleriniz bu aralıkta bir yere düşecek ve nereye düştüğünü yalnızca bir test söyler.

## Kendi seslerinizde WER’i nasıl ölçersiniz?

1.  **Koşula göre örnekleyin.** Klipleri lehçeye ve kanala (telefon, sesli mesaj, stüdyo) göre gruplayın. [Lehçe test seti yöntemi](https://broadrouter.com/tr/blog/arabic-dialect-speech-recognition/) örneklem boyutlarını ve yazım kurallarını ele alıyor.
2.  **Her adayla transkripsiyon yapın.** BroadNet için `language=ar` gönderin; bu olmadan Arapça, Latin harflerine çevriyazılmış olarak dönebilir. Kod [Arapça konuşmadan metne rehberinde](https://broadrouter.com/tr/guides/arabic-speech-to-text-api/) var; $5 başlangıç kredisi yaklaşık 1,190 dakikalık sesi karşılar.
3.  **Normalleştirin ve puanlayın.** Yukarıdaki fonksiyonu kullanın, WER ve CER’i grup başına raporlayın.
4.  **Hataları okuyun.** Değiştirmeleri sıklığa göre sıralayın. En sık hatalar adlar, tutarlar ya da ürün kodlarıysa iş üzerindeki etki puanın gösterdiğinden büyüktür.

## WER dışında neleri ölçmelisiniz?

WER her kelimeye eşit davranır, ama ürününüz öyle davranmaz. Bir destek botu niyeti önemser; bir faturalama akışı sayıları; bir uyum ekibi belirli ifadeleri. WER’in yanına bir görev metriği ekleyin: bir LLM transkripti okuduktan sonraki niyet doğruluğu ya da çıkarılan tutarlarda tam eşleşme. WER’i biraz daha yüksek olan bir model, hataları önemsiz kelimelere denk geliyorsa yine de kazanabilir.

Maliyet tarafı için aylık ses saatlerinizi ücretsiz [konuşmadan metne maliyet hesaplayıcısına](https://broadrouter.com/tools/speech-to-text-cost-calculator/) girin ve Arapça model ile 14 dilli modelin nasıl farklılaştığını [BroadNet Transcribe ile Transcribe Arabic karşılaştırmasında](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/) görün.

Bu konu için ücretsiz araçlar (İngilizce)

-   [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.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Kelime hata oranı (WER)](https://broadrouter.com/tr/glossary/word-error-rate/)

Kelime hata oranı (word error rate, WER), konuşma tanımada standart doğruluk ölçüsüdür: bir transkripti doğru referansa dönüştürmek için gereken kelime değiştirme, silme ve ekleme sayısının referanstaki kelime sayısına bölümüdür. Düşük olan daha iyidir.

[Konuşmadan metne (speech-to-text)](https://broadrouter.com/tr/glossary/speech-to-text/)

Konuşmadan metne (speech-to-text), otomatik konuşma tanıma (ASR) olarak da bilinir; konuşulan sesi yazılı metne dönüştüren teknolojidir. Bir konuşmadan metne API'si ses dosyası veya akışı alıp transkript döndürür ve genellikle ses dakikası başına fiyatlandırılır. Doğruluk kelime hata oranıyla ölçülür; aksana, lehçeye ve kayıt kalitesine göre değişir.

[Karakter hata oranı (CER)](https://broadrouter.com/tr/glossary/character-error-rate/)

Karakter hata oranı (CER), transkripsiyon veya OCR doğruluğunu karakter düzeyinde ölçer: çıktıyı referans metne dönüştürmek için gereken değiştirme, silme ve ekleme sayısı, referanstaki karakter sayısına bölünür. Düşük olan daha iyidir; 0 tam eşleşme demektir.

[Kod değiştirme (code-switching)](https://broadrouter.com/tr/glossary/code-switching/)

Kod değiştirme (code-switching), konuşmada veya yazıda aynı sohbet ya da cümle içinde iki veya daha fazla dilin ya da bir dilin varyantlarının kullanılmasıdır. Örnekler arasında Arapça konuşanların lehçeye İngilizce kelimeler karıştırması veya Modern Standart Arapça ile kendi lehçeleri arasında gidip gelmesi vardır.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Arapça harekeler (tashkeel)](https://broadrouter.com/tr/glossary/arabic-diacritics/)

Arapça harekeler (tashkeel), kısa ünlüleri, ikizleşen ünsüzleri ve ünlü yokluğunu göstermek için harflerin üstüne veya altına yazılan küçük işaretlerdir. İsteğe bağlıdırlar: haberler dahil Arapça metinlerin çoğu onları yazmaz; okur da yazılım da ünlüleri bağlamdan çıkarır.

[Arapça lehçeler (dialectal Arabic)](https://broadrouter.com/tr/glossary/dialectal-arabic/)

Arapça lehçeler (dialectal Arabic), Mısır, Körfez, Levant veya Mağrip Arapçası gibi bir bölgenin ya da şehrin gündelik konuşulan Arapçasıdır. Lehçeler Modern Standart Arapçadan ses, kelime ve dilbilgisi bakımından ayrılır, standart bir yazımları yoktur ve internette giderek daha çok yazılırlar; bu da onları dil modelleri için zorlaştırır.

[Hemze (hamza)](https://broadrouter.com/tr/glossary/hamza/)

Hemze (ء), Arapçada gırtlak durmasını gösteren harftir. Tek başına ya da bir taşıyıcı üzerinde yazılır: elif (أ إ), vav (ؤ) veya ye (ئ); آ ise elifi medde ile birleştirir. Klavyeyle yazılan metin bu konuda tutarsız olduğundan, arama motorları ve konuşma puanlaması elif biçimlerini çoğu zaman ا harfine indirger.

## Sık sorulan sorular

### İyi bir Arapça WER değeri kaçtır?

Temiz okunmuş konuşmada tek haneli değerler mümkün; BroadNet FLEURS-ar'da 3,8 bildiriyor. Gerçek dünya ve lehçe seslerinde çok daha yüksek sayılar bekleyin; BroadNet MASC-ar'da 21,1, kendi lehçe setinde 23,4 bildiriyor. Modelleri aynı normalleştirmeyle kendi seslerinizde karşılaştırın.

### Arapça WER hesaplamadan önce harekeleri silmeli miyim?

Genellikle evet. Arapça metinlerin çoğu kısa ünlü işaretleri olmadan yazılır ve modeller bunları tutarsız ekler. Ürününüz harekeli metin gerektirmiyorsa hem referanstan hem hipotezden silin.

### CER nedir, ne zaman kullanmalıyım?

Karakter hata oranı, aynı hesabın kelimeler yerine karakterler üzerinde yapılmış hâlidir. Tek bir yanlış önek harfinin bütün kelimeyi yanlış yaptığı Arapçada daha az serttir ve WER'in yanında yararlıdır.

### WER %100'ün üzerinde olabilir mi?

Evet. Eklemeler hata sayılır; bu yüzden çok sayıda fazladan kelime uyduran bir model, referanstaki kelime sayısından daha fazla hata yapabilir.

### Python'da Arapça için WER nasıl hesaplanır?

jiwer'i kurun, hem referansı hem model çıktısını aynı fonksiyonla normalleştirin (harekeleri ve tatvili silin, elif, yâ ve tâ merbûtayı birleştirin, Doğu Arap rakamlarını dönüştürün), sonra jiwer.wer(references, hypotheses) çağırın. Normalleştirmeyi puanın yanında raporlayın.

### Arapça WER neden İngilizce WER'den yüksek?

Kısmen gerçek zorluktan (lehçeler, bitişik ekler, dil değiştirme), kısmen de puanlamadan: Arapçada kabul gören yazım varyantları ve isteğe bağlı harekeler var ve katı bir karşılaştırma her birini hata sayar. İki metni de normalleştirmek puanlama kaynaklı kısmı ortadan kaldırır.

## Okumaya devam edin

-   [Arapça ses metne çevirme API: 2026'da nasıl seçilir?](https://broadrouter.com/tr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Çağrı merkezi kayıtlarını metne çevirme: Arapçaya hazır bir hat](https://broadrouter.com/tr/blog/transcribe-call-center-recordings/)
-   [Arapça RAG: işe yarayan normalleştirme, parçalama ve erişim](https://broadrouter.com/tr/blog/arabic-rag-search/)
-   [Çok dilli ses metne çevirme API: 14 dil, tek uç nokta](https://broadrouter.com/tr/blog/multilingual-speech-to-text-api/)
-   [LLM ile Arapça metne hareke ekleme: istem, kontrol, DER](https://broadrouter.com/tr/blog/arabic-diacritization-llm/)
-   [LLM ile Arapça dil bilgisi ve yazım düzeltme: adım adım](https://broadrouter.com/tr/blog/arabic-grammar-spelling-correction-llm/)
-   [Rehber: Adım adım Arapça ses metne çevirme API'si](https://broadrouter.com/tr/guides/arabic-speech-to-text-api/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [BroadNet model kataloğu, konuşmadan metne: BroadNet'in bildirdiği WER ve sıralama (erişim tarihi 2026-11-14) (İngilizce)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard, Hugging Face Space (erişim tarihi 2026-11-14)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Wang, Alhmoud ve Alqurishi, Open Universal Arabic ASR Leaderboard (Interspeech 2025; erişim tarihi 2026-11-14)](https://www.isca-archive.org/interspeech_2025/wang25_interspeech.html)
-   [Conneau vd., FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech (arXiv; erişim tarihi 2026-11-14)](https://arxiv.org/abs/2205.12446)
-   [jiwer, WER ve CER için bir Python paketi (erişim tarihi 2026-11-14)](https://github.com/jitsi/jiwer)
