---
title: "Thêm dấu (tashkeel) cho tiếng Ả Rập bằng LLM | BroadRouter"
description: "Khôi phục dấu tiếng Ả Rập (tashkeel) bằng API LLM: prompt giữ nguyên từng chữ cái, bước kiểm tra loại bỏ chỉnh sửa, chấm DER và WER, và khi nào dùng CATT."
url: https://broadrouter.com/vi/blog/arabic-diacritization-llm/
lang: vi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-diacritization-llm/) (cập nhật ngày 2026-11-16).

# Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER

Đội ngũ BroadNet Inference · 8 phút đọc · Đăng ngày 2026-11-15 · Cập nhật 2026-11-16

Hãy yêu cầu model chỉ thêm tashkeel đầy đủ, rồi xóa dấu khỏi câu trả lời và so với input. Đổi một chữ cái là loại và thử lại. Chấm một mẫu đã kiểm tra tay bằng tỷ lệ lỗi dấu (DER) và tỷ lệ lỗi từ (WER), có và không tính đuôi cách. Theo kết quả đã công bố, GPT-4 gần bằng nhưng vẫn kém các công cụ chuyên dụng tốt nhất.

## Ý chính

-   Quy tắc duy nhất giúp việc thêm dấu bằng LLM an toàn: câu trả lời sau khi xóa dấu phải giống hệt input. Nếu không, model đã đổi một chữ cái, và bạn loại bỏ nó.
-   Trên benchmark CATT (742 câu tin tức), model encoder-decoder của CATT đạt DER 8,624% khi tính đuôi cách, so với 9,515% của GPT-4 và 16,482% của Mishkal (bài báo CATT, 2024).
-   Đuôi cách là phần khó. Mọi bảng đã công bố đều báo cáo DER và WER cả khi có và không tính đuôi cách, và khoảng cách rất lớn. Hãy báo cáo cả hai cho bài test của bạn.
-   Văn bản có dấu tốn nhiều token hơn. Trên tập test Fadel 2.500 dòng, tashkeel đầy đủ tốn gấp 2,07 đến 3,21 lần số token của văn bản trơn, qua bốn tokenizer model mà chúng tôi đã chạy.
-   Với khối lượng lớn và loại văn bản cố định, công cụ thêm dấu mã nguồn mở chuyên dụng như CATT (Apache 2.0) rẻ hơn và theo thiết kế không đổi chữ cái. LLM dễ bắt đầu hơn và xử lý được input lạ.

**Trong trang này**

1.  Khi nào bạn cần dấu?
2.  LLM thêm dấu giỏi đến đâu?
3.  Có những tập test nào?
4.  Prompt nào giữ nguyên các chữ cái?
5.  Chấm điểm việc thêm dấu thế nào: DER và WER?
6.  Khi nào công cụ chuyên dụng thắng LLM?
7.  Thêm dấu bằng LLM tốn bao nhiêu?
8.  BroadNet Inference phù hợp ở đâu

Tiếng Ả Rập thường được viết mà không có nguyên âm ngắn. Người đọc tự điền chúng dựa vào ngữ cảnh; phần mềm thì thường không làm được. Việc khôi phục chúng, gọi là thêm dấu (diacritization) hay tashkeel, biến كتب thành كَتَبَ (anh ấy đã viết), كُتُبٌ (những cuốn sách) hoặc كُتِبَ (nó đã được viết), tùy câu. Bài này hướng dẫn làm việc đó bằng LLM qua một API tương thích OpenAI, cách ngăn model âm thầm sửa văn bản của bạn, và cách đo kết quả so với một công cụ thêm dấu chuyên dụng.

## Khi nào bạn cần dấu?

-   **Chuyển văn bản thành giọng nói.** Giọng đọc cần nguyên âm để phát âm một từ. Bài báo CATT liệt kê chuyển văn bản thành giọng nói và dịch máy là các ứng dụng được dấu cải thiện. BroadNet Inference không có endpoint chuyển văn bản thành giọng nói, nên trong một pipeline TTS, văn bản đã thêm dấu sẽ được gửi tới một dịch vụ TTS riêng.
-   **Người học và tài liệu cho trẻ em.** Người đọc còn đang học dựa vào các dấu này.
-   **Tên và thuật ngữ dễ nhầm.** Danh từ riêng, từ hiếm và thuật ngữ chuyên môn, nơi một nguyên âm sai làm đổi nghĩa.
-   **Văn bản tôn giáo và cổ điển.** Ở đây dấu là một phần của văn bản, và công cụ tự động chỉ nên điền chỗ trống dưới sự rà soát của con người.

Với tìm kiếm hoặc truy xuất, bạn thường không muốn có dấu. Khi đó bạn xóa chúng đi, như trong [chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm](https://broadrouter.com/vi/blog/arabic-text-normalization-search/). Công cụ miễn phí [chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/tools/arabic-text-normalizer/) làm việc xóa này ngay trong trình duyệt. Thêm dấu là thao tác ngược lại, và khó hơn nhiều: xóa dấu chỉ là tra bảng, còn thêm dấu cần ngữ pháp và ngữ cảnh.

## LLM thêm dấu giỏi đến đâu?

Hai con số đã công bố, cần đọc cẩn thận:

| Hệ thống | Benchmark CATT, DER có tính đuôi cách | DER không tính | WER có tính đuôi cách | WER không tính |
| --- | --- | --- | --- | --- |
| CATT encoder-decoder | 8,624% | 6,989% | 34,191% | 28,477% |
| CATT encoder-only | 8,762% | 7,088% | 35,508% | 29,714% |
| GPT-4 (GPT-4-turbo theo nội dung bài báo) | 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% |

Nguồn: Bảng 4 trong [bài báo CATT](https://arxiv.org/html/2407.03236v3) (2024). Càng thấp càng tốt. Benchmark gồm 742 câu tin tức thu thập năm 2023, được hai chuyên gia bản ngữ thêm dấu và một người thứ ba kiểm tra.

Trên tập test thứ hai của bài báo, WikiNews (400 câu), GPT-4 đạt kết quả tốt hơn hẳn mọi hệ thống khác: DER 0,551%. Các tác giả đánh dấu dòng đó và cho rằng model có thể đã thấy WikiNews khi huấn luyện. Đây là cảnh báo chung cho benchmark LLM: văn bản test công khai có thể nằm trong dữ liệu huấn luyện. Các tác giả CATT cũng nêu lo ngại tương tự về Tashkeela, vì sách trong đó trích dẫn nhiều Quran và hadith.

Một bài báo riêng năm 2024 của Skiredj và Berrada báo cáo GPT-4 đạt khoảng 20% DER và 30% WER trên benchmark của Fadel và cộng sự, nhưng thiếu chi tiết cần thiết để so với bảng trên.

Vậy các model cỡ GPT-4 có thể tiến gần công cụ chuyên dụng, và cũng có thể thua xa. Cả hai bài báo đều ra đời trước các model mở mà bạn gọi được hôm nay. Hãy đo trên văn bản của bạn.

## Có những tập test nào?

| Dataset | Nội dung |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 75.629.921 từ có đủ dấu nguyên âm từ 97 cuốn sách; 98,85% tiếng Ả Rập cổ điển từ thư viện Shamela, 1,15% tiếng Ả Rập chuẩn hiện đại |
| [Benchmark của Fadel và cộng sự](https://github.com/AliOsm/arabic-text-diacritization) | Khoảng 2,3 triệu từ trích từ Tashkeela; 50.000 dòng huấn luyện, 2.500 dòng validation và 2.500 dòng test |
| Benchmark CATT | 742 câu tin tức được thêm dấu thủ công, phát hành cùng các model CATT |
| WikiNews | 400 câu tin tức MSA được thêm dấu thủ công |

Tashkeela và tập Fadel phần lớn là tiếng Ả Rập cổ điển. Nếu văn bản của bạn là tiếng Ả Rập kinh doanh hoặc tin tức hiện đại, tập CATT và WikiNews gần hơn, và một mẫu từ chính văn bản của bạn là gần nhất.

## Prompt nào giữ nguyên các chữ cái?

Nhiệm vụ của model là thêm dấu và không đụng vào gì khác. Nhưng LLM thích giúp đỡ: chúng sẽ sửa الى thành إلى, đổi ى cuối thành ي hoặc thêm hamza bị thiếu. Mỗi thay đổi có thể là tiếng Ả Rập đúng, nhưng đó là sửa chính tả, không phải thêm dấu. Nó đổi văn bản của bạn mà không báo.

Vì vậy prompt nêu rõ quy tắc, còn code thì thực thi nó: xóa dấu khỏi câu trả lời và so với input đã xóa dấu. Nếu khác một chữ cái, một khoảng trắng hay một dấu câu, câu trả lời bị loại.

```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))
```

Chúng tôi chạy đoạn này với một mock server cục bộ, không phải API thật. Câu trả lời soạn sẵn cho câu đầu tiên đã “sửa” الى thành إلى ở cả hai lần thử, còn câu trả lời cho câu thứ hai thì sạch. Output là:

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

Ghi chú về code:

-   **Unicode NFC trước tiên.** Một hamza có thể đến dưới dạng một ký tự dựng sẵn (أ) hoặc một chữ cái cộng dấu kết hợp. NFC làm hai bên giống nhau trước khi so sánh. [Bài về chuẩn hóa](https://broadrouter.com/vi/blog/arabic-text-normalization-search/) nói kỹ về cái bẫy này.
-   **`max_tokens=4000`.** Tài liệu BroadNet cho biết DeepSeek V4.1 Flash, GLM 5.3 và Qwen3.8 27B suy luận trước khi trả lời, và phần suy luận tính vào `max_tokens`. Giới hạn quá nhỏ sẽ trả về câu trả lời rỗng, và bước kiểm tra sẽ loại nó. Hãy chừa chỗ, hoặc đặt `reasoning_effort` là low; xem [phản hồi rỗng từ model suy luận](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/) và [công cụ tính ngân sách token suy luận](https://broadrouter.com/tools/reasoning-token-budget/).
-   **Bước kiểm tra không test yêu cầu “giữ dấu có sẵn”.** Nếu input của bạn đã có dấu một phần, hãy so cả các dấu đó.
-   **Chính tả là một quyết định riêng.** Nếu bạn muốn sửa الى, hãy chạy bước sửa lỗi trước, rồi thêm dấu cho văn bản đã sửa. Trộn hai việc làm cả hai không thể kiểm tra được.
-   **Chia nhỏ văn bản dài.** Gửi một câu hoặc một đoạn cho mỗi request. Bản thân CATT giới hạn input ở 1.024 ký tự và cắt câu dài tại dấu câu; thói quen này cũng giữ câu trả lời của LLM ngắn và việc thử lại rẻ.

Lời khuyên chung về viết prompt tiếng Ả Rập, kể cả khi nào nên dặn model đừng thêm dấu, có trong [prompt engineering cho tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-prompt-engineering/).

## Chấm điểm việc thêm dấu thế nào: DER và WER?

**Tỷ lệ lỗi dấu (DER)** là tỷ lệ chữ cái có dấu khác với bản chuẩn. **Tỷ lệ lỗi từ (WER)** ở đây là tỷ lệ từ có ít nhất một dấu sai. Đó không phải WER của nhận dạng giọng nói trong [bài về ASR](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/); nó đếm các từ có dấu sai, không đếm từ bị chèn hay bị xóa.

Hai thiết lập làm thay đổi con số rất nhiều:

-   **Có hay không tính đuôi cách.** Chữ cái cuối của một từ mang cách ngữ pháp (i’rab), vốn phụ thuộc cú pháp. Các bài báo báo cáo cả hai thiết lập, vì đuôi cách gây ra nhiều lỗi.
-   **Có đếm chữ cái không dấu hay không.** Một số script đếm chữ cái trơn (như alef trong الطالب) là dự đoán “không dấu” đúng; số khác bỏ qua. Script chấm điểm của Fadel có cờ cho việc này.

Các script đã công bố khác nhau ở những lựa chọn này, nên chỉ so các con số tạo ra bởi cùng một script. Script dưới đây đủ ngắn để đọc:

```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))
```

Dự đoán mẫu có hai đuôi cách sai và một nguyên âm bên trong sai trên 32 chữ cái và 7 từ. Nó in DER 9,38 và WER 42,86 khi tính đuôi cách, và DER 4,0 và WER 14,29 khi không tính. Hãy để ý WER khuếch đại vài lỗi như thế nào: một dấu sai làm hỏng cả một từ.

Script từ chối chấm từ nào có chữ cái bị đổi. Đó là cố ý. Một công cụ thêm dấu mà sửa chữ cái thì đã thất bại nhiệm vụ, và DER của nó vô nghĩa.

Để kiểm tra thêm, chúng tôi chạy Mishkal 0.4.1, một công cụ thêm dấu dựa trên quy tắc, trên một câu 16 từ mà chúng tôi tự thêm dấu bằng tay. Cả bốn lỗi của nó đều là đuôi cách, chẳng hạn مُحَمَّدُ thay vì مُحَمَّدٌ. Nó đạt DER 5,88 khi tính đuôi cách và 0,0 khi không tính. Một câu không chứng minh được gì về Mishkal; nó chỉ cho thấy vì sao bạn cần báo cáo cả hai thiết lập.

Để xây tập test, hãy lấy 100 đến 200 câu từ văn bản của bạn, nhờ người bản ngữ thêm dấu, xóa dấu đi rồi chạy từng ứng viên. Giữ bản của con người làm bản chuẩn.

## Khi nào công cụ chuyên dụng thắng LLM?

| Chọn | Khi |
| --- | --- |
| Model chuyên dụng (CATT, libtashkeel, Mishkal) | Khối lượng lớn, loại văn bản cố định, yêu cầu độ trễ nghiêm ngặt, dùng offline hoặc trên thiết bị, hoặc cần output giữ nguyên từng chữ cái theo thiết kế |
| LLM qua API | Khối lượng nhỏ hoặc thất thường, input hỗn hợp hoặc lộn xộn, team không có người vận hành ML, hoặc pipeline đã gọi LLM cho các bước khác |

Model chuyên dụng dự đoán dấu cho từng chữ cái, nên không thể viết lại văn bản của bạn. [CATT](https://github.com/abjadai/catt) dùng Apache 2.0 và cài bằng `pip install catt-tashkeel`; README khuyên dùng model encoder-only nếu cần tốc độ và encoder-decoder nếu cần độ chính xác. [libtashkeel](https://github.com/mush42/libtashkeel) dùng MIT và được huấn luyện chủ yếu trên MSA. [Mishkal](https://pypi.org/project/mishkal/) dựa trên quy tắc và dùng GPL, điều này quan trọng nếu bạn đóng gói nó trong sản phẩm.

LLM giúp bắt đầu nhanh hơn và xử lý được input mà model huấn luyện chưa từng gặp: phương ngữ, tiếng Ả Rập trộn tiếng Anh, dấu câu kỳ lạ. Nhưng nó cần bước kiểm tra khung chữ ở trên cho mọi câu trả lời, và tốn tiền theo token.

## Thêm dấu bằng LLM tốn bao nhiêu?

Dấu là ký tự thêm vào, và tokenizer tách chúng thành token thêm. Chúng tôi đếm tập test Fadel 2.500 dòng (125.098 từ) bằng tokenizer riêng của từng model, văn bản trơn so với văn bản có đủ dấu:

| Tokenizer | Văn bản trơn | Có dấu | Tỷ lệ |
| --- | --- | --- | --- |
| 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× |

Bạn trả token input cho văn bản trơn và token output cho câu trả lời có dấu, cộng thêm phần suy luận nếu có. Output là phía đắt: mỗi 1 triệu token là $2.17 với [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/), $0.52 với [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/), $3.46 với [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) và $0.22 với [Gemma 4 VL 26B](https://broadrouter.com/vi/models/gemma-4-vl-26b/), theo trang giá của BroadNet. Các lần thử lại sau khi kiểm tra thất bại còn tốn thêm. Hãy dán văn bản của bạn vào [công cụ đếm token tiếng Ả Rập](https://broadrouter.com/tools/arabic-token-counter/) để kiểm tra tỷ lệ trên dữ liệu thật, và xem [số token mỗi từ trong tiếng Ả Rập và tiếng Anh](https://broadrouter.com/vi/blog/tokens-per-word-arabic-english/) để hiểu vì sao ngay từ đầu tiếng Ả Rập đã tốn nhiều token hơn.

Với một job chạy một lần trên kho lưu trữ lớn, các gói DeepSeek V4.1 Flash thay việc tính theo token bằng giá cố định mỗi phiên ($15 một tuần hoặc $1 một giờ); mỗi phiên xử lý một request mỗi lúc, nên hãy lên kế hoạch chạy như trong [xử lý hàng loạt không cần batch API](https://broadrouter.com/vi/blog/llm-batch-processing-without-batch-api/).

## BroadNet Inference phù hợp ở đâu

BroadRouter là trang web của chính BroadNet. BroadNet Inference phục vụ bốn model chat ở trên qua một endpoint tương thích OpenAI, nên code chạy được với [OpenAI Python SDK](https://broadrouter.com/vi/guides/openai-python-sdk/) sau khi đặt base URL và key. Gemma 4 VL 26B dùng được với tín dụng ban đầu $5; DeepSeek, GLM và Qwen cần nạp tiền. BroadNet không có endpoint thêm dấu, không công bố benchmark thêm dấu riêng và không có chuyển văn bản thành giọng nói. Model nào của BroadNet thêm dấu cho văn bản của bạn tốt nhất thì chưa được đo: hãy chấm điểm chúng trên mẫu của bạn trước khi chọn. Xem [tài liệu tham chiếu API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-diacritization-llm&utm_content=body) để biết chi tiết request.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [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.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Token](https://broadrouter.com/vi/glossary/token/)

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Word error rate (WER, tỷ lệ lỗi từ)](https://broadrouter.com/vi/glossary/word-error-rate/)

Word error rate (WER, tỷ lệ lỗi từ) là thước đo độ chính xác tiêu chuẩn cho nhận dạng giọng nói: số lần thay thế, xóa và chèn từ cần để biến bản chép lời thành bản tham chiếu đúng, chia cho số từ trong bản tham chiếu. Càng thấp càng tốt.

[Chuyển văn bản thành giọng nói (text-to-speech, TTS)](https://broadrouter.com/vi/glossary/text-to-speech/)

Text-to-speech (TTS), hay tổng hợp giọng nói, chuyển văn bản viết thành âm thanh lời nói. Một API TTS nhận văn bản, một giọng đọc và định dạng output như MP3 hoặc WAV, rồi trả về giọng nói được sinh ra. Nó là chiều ngược lại của speech-to-text, vốn chuyển âm thanh thành văn bản.

[API tương thích OpenAI (OpenAI-compatible API)](https://broadrouter.com/vi/glossary/openai-compatible-api/)

API tương thích OpenAI là một HTTP API nhận cùng định dạng request và phản hồi như OpenAI API, ví dụ POST /v1/chat/completions, nên SDK và công cụ của OpenAI dùng được nó chỉ bằng cách đổi base URL, API key và tên model.

[Tiếng Ả Rập chuẩn hiện đại (MSA)](https://broadrouter.com/vi/glossary/msa/)

Tiếng Ả Rập chuẩn hiện đại (MSA) là dạng tiếng Ả Rập chuẩn hóa dùng trong văn viết, tin tức, giáo dục và phát biểu trang trọng khắp thế giới Ả Rập. Không ai dùng nó làm tiếng mẹ đẻ hằng ngày: người ta nói phương ngữ như Ai Cập hay vùng Vịnh và chuyển sang MSA khi trang trọng.

[Tokenizer (bộ tách token)](https://broadrouter.com/vi/glossary/tokenizer/)

Tokenizer là thành phần chuyển văn bản thành chuỗi token ID số nguyên mà mô hình ngôn ngữ đọc, và chuyển các ID được sinh ra trở lại thành văn bản. Mỗi model có tokenizer riêng, nên cùng một văn bản có thể cho ra số token khác nhau trên các model khác nhau.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

[Batch API](https://broadrouter.com/vi/glossary/batch-api/)

Batch API là endpoint LLM bất đồng bộ nhận nhiều request cùng lúc, thường dưới dạng file, xử lý chúng trong một khung thời gian định sẵn thay vì ngay lập tức, rồi trả kết quả cùng nhau. Các nhà cung cấp như OpenAI và Anthropic tính giá batch thấp hơn API tiêu chuẩn.

## Câu hỏi thường gặp

### Làm sao thêm dấu cho văn bản tiếng Ả Rập bằng Python?

Có hai cách. Cài một công cụ chuyên dụng như catt-tashkeel (Apache 2.0) hoặc mishkal (GPL) và gọi ở máy bạn, hoặc gửi văn bản tới LLM với prompt chỉ yêu cầu tashkeel. Nếu dùng LLM, hãy luôn kiểm tra câu trả lời sau khi bỏ dấu có giống input không.

### ChatGPT hay GPT-4 có thêm dấu tiếng Ả Rập tốt không?

Trên một số bài test thì gần bằng các hệ thống chuyên dụng tốt nhất, trên bài khác thì kém hơn. Bài báo CATT đo GPT-4 đạt DER 9,515% có tính đuôi cách trên benchmark tin tức của họ, so với 8,624% của model CATT. Một bài báo khác năm 2024 báo cáo GPT-4 đạt khoảng 20% DER trên benchmark Fadel. Hãy test trên văn bản của bạn.

### DER và WER khác nhau thế nào khi chấm việc thêm dấu?

DER là tỷ lệ chữ cái bị sai dấu. WER là tỷ lệ từ có ít nhất một dấu sai, nên luôn cao hơn. Cả hai đều được báo cáo khi có tính đuôi cách (chữ cái cuối của mỗi từ) và khi không tính.

### Tại sao LLM đổi chữ cái khi thêm tashkeel?

Vì nó còn sửa chính tả: الى thành إلى, ى thành ي, một hamza bị thiếu xuất hiện. Có thể đúng, nhưng đó là sửa lỗi chứ không phải thêm dấu, và nó làm hỏng việc chấm theo từng chữ cái. Hãy dặn model đừng làm vậy, kiểm tra mọi câu trả lời, và nếu cần sửa chính tả thì chạy thành một bước riêng.

### BroadNet có đọc to văn bản đã thêm dấu được không?

Không. BroadNet Inference không có endpoint chuyển văn bản thành giọng nói. Dịch vụ cung cấp các model chat và chuyển giọng nói thành văn bản. Nếu thêm dấu là khâu đầu của pipeline TTS, hãy gửi kết quả tới một dịch vụ TTS riêng.

## Đọc tiếp

-   [Chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm và RAG: đổi gì, giữ gì](https://broadrouter.com/vi/blog/arabic-text-normalization-search/)
-   [Prompt engineering tiếng Ả Rập: văn phong, RTL, chữ số và văn bản trộn](https://broadrouter.com/vi/blog/arabic-prompt-engineering/)
-   [Số token mỗi từ: tiếng Ả Rập và tiếng Anh, vì sao tiếng Ả Rập đắt hơn](https://broadrouter.com/vi/blog/tokens-per-word-arabic-english/)
-   [Trích xuất thực thể tiếng Ả Rập bằng LLM: JSON, ngày tháng, kiểm tra](https://broadrouter.com/vi/blog/arabic-named-entity-extraction-llm/)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [Xử lý LLM hàng loạt không cần Batch API: runner chạy tiếp được](https://broadrouter.com/vi/blog/llm-batch-processing-without-batch-api/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Biên bản họp tiếng Ả Rập từ bản ghi âm: một pipeline API](https://broadrouter.com/vi/blog/arabic-meeting-minutes-from-recordings/)
-   [So sánh API OCR tiếng Ả Rập: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/vi/blog/arabic-ocr-api-comparison/)
-   [Hướng dẫn: Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/)
-   [Hướng dẫn: Vì sao model suy luận trả về câu trả lời rỗng](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [Alasmary, Zaafarani và Ghannam, CATT: Character-based Arabic Tashkeel Transformer (arXiv 2407.03236v3), Bảng 4 và 5, kích thước dataset, giới hạn input 1.024 ký tự (kiểm tra ngày 2026-11-15)](https://arxiv.org/html/2407.03236v3)
-   [abjadai/catt trên GitHub: giấy phép Apache 2.0, package pip catt-tashkeel, model encoder-only và encoder-decoder (kiểm tra ngày 2026-11-15)](https://github.com/abjadai/catt)
-   [Fadel và cộng sự, Arabic Text Diacritization Using Deep Neural Networks (arXiv 1905.01965): 55 nghìn dòng, khoảng 2,3 triệu từ lấy từ Tashkeela (kiểm tra ngày 2026-11-15)](https://arxiv.org/abs/1905.01965)
-   [AliOsm/arabic-text-diacritization trên GitHub: chia 50.000 / 2.500 / 2.500 dòng, giấy phép MIT, diacritization\_stat.py (kiểm tra ngày 2026-11-15)](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki và Balla, Tashkeela: Novel corpus of Arabic vocalized texts, Data in Brief 2017: 75.629.921 từ, 97 cuốn sách, 98,85% tiếng Ả Rập cổ điển (kiểm tra ngày 2026-11-15)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj và Berrada, Arabic Text Diacritization in the Age of Transfer Learning (arXiv 2401.04848): báo cáo GPT-4 đạt khoảng 20% DER và 30% WER trên benchmark Fadel (kiểm tra ngày 2026-11-15)](https://arxiv.org/html/2401.04848v1)
-   [Mishkal trên PyPI: phiên bản 0.4.1, GPL, cách dùng TashkeelClass (kiểm tra ngày 2026-11-15)](https://pypi.org/project/mishkal/)
-   [mush42/libtashkeel trên GitHub: thư viện khôi phục dấu, giấy phép MIT, model huấn luyện chủ yếu trên MSA (kiểm tra ngày 2026-11-15)](https://github.com/mush42/libtashkeel)
-   [Tài liệu tham chiếu API BroadNet Inference: ID model, suy luận tính vào max\_tokens, reasoning\_effort, endpoint (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-diacritization-llm&utm_content=sources)
