---
title: "用大模型给阿拉伯语文本自动加注音符号（tashkeel） | BroadRouter"
description: "用大模型 API 恢复阿拉伯语注音符号（tashkeel）：不改动任何字母的提示词、拒收改字回复的校验、DER 与 WER 评分，以及何时改用 CATT。"
url: https://broadrouter.com/zh/blog/arabic-diacritization-llm/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/arabic-diacritization-llm/)（2026-11-16 更新）。

# 用大模型给阿拉伯语加注音符号：提示词、校验与 DER

BroadNet Inference 团队 · 阅读约 8 分钟 · 发布于 2026-11-15 · 更新于 2026-11-16

让模型只返回完整的 tashkeel，然后去掉回复中的注音符号，与输入逐字比对：只要有一个字母变了，就拒收并重试。用人工校对过的样本按注音错误率（DER）和词错误率（WER）打分，分别统计含与不含格尾。已发表的结果显示，GPT-4 接近、但仍落后于最好的专用注音工具。

## 要点

-   让大模型注音变得安全的唯一规则：回复去掉注音符号后，必须与输入完全一致。如果不一致，说明模型改了字母，应当拒收。
-   在 CATT 基准（742 句新闻）上，CATT 编码器-解码器模型含格尾的 DER 为 8.624%，GPT-4 为 9.515%，Mishkal 为 16.482%（CATT 论文，2024）。
-   难点在格尾。所有已发表的表格都同时报告含与不含格尾的 DER 和 WER，两者差距很大。你自己的测试也应两种都报告。
-   加了注音的文本要消耗更多 token。在 2,500 行的 Fadel 测试集上，我们用四种模型的分词器统计，完整 tashkeel 的 token 数是无注音文本的 2.07 到 3.21 倍。
-   对于大批量、文本类型固定的场景，CATT（Apache 2.0）这类开源专用注音工具更便宜，而且在设计上就不会改动字母。大模型更容易上手，也能应付不规整的输入。

**本页内容**

1.  什么时候需要注音符号？
2.  大模型做注音的水平如何？
3.  有哪些测试集？
4.  什么样的提示词能保证字母不被改动？
5.  如何给注音打分：DER 和 WER？
6.  什么时候专用注音工具胜过大模型？
7.  用大模型注音要花多少钱？
8.  BroadNet Inference 的定位

阿拉伯语平时书写时不标短元音。读者靠上下文补上，软件却往往做不到。恢复这些符号的过程叫注音（diacritization 或 tashkeel），它会根据句子把 كتب 变成 كَتَبَ（他写了）、كُتُبٌ（书，复数）或 كُتِبَ（被写了）。本文介绍如何通过 OpenAI 兼容 API 用大模型完成注音，如何防止模型悄悄改动你的文本，以及如何把结果与专用注音工具对比评测。

## 什么时候需要注音符号？

-   \*\*文本转语音。\*\*语音合成需要元音才能读准一个词。CATT 论文把文本转语音和机器翻译列为注音能够改善的应用。BroadNet Inference 没有文本转语音端点，所以在 TTS 流水线里，注音后的文本要交给另一个 TTS 服务。
-   \*\*学习者和儿童读物。\*\*仍在学习的读者依赖这些符号。
-   \*\*有歧义的名称和术语。\*\*专有名词、生僻词和技术术语，元音一错，意思就变了。
-   \*\*宗教和古典文本。\*\*这里注音符号本身就是文本的一部分，自动工具只应在人工审核下补全缺失部分。

做搜索或检索时，通常不需要注音符号，而是要把它们去掉，参见[面向搜索的阿拉伯语文本规范化](https://broadrouter.com/zh/blog/arabic-text-normalization-search/)。免费的[阿拉伯语文本规范化工具](https://broadrouter.com/tools/arabic-text-normalizer/)可以在浏览器里完成这种去除。注音是相反的操作，而且难得多：去掉符号只需查表，加上符号则需要语法和上下文。

## 大模型做注音的水平如何？

有两组已发表的数字，阅读时需要谨慎：

| 系统 | CATT 基准，含格尾 DER | 不含格尾 DER | 含格尾 WER | 不含格尾 WER |
| --- | --- | --- | --- | --- |
| CATT 编码器-解码器 | 8.624% | 6.989% | 34.191% | 28.477% |
| CATT 仅编码器 | 8.762% | 7.088% | 35.508% | 29.714% |
| GPT-4（据论文正文为 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% |

来源：[CATT 论文](https://arxiv.org/html/2407.03236v3)（2024）表 4。数值越低越好。该基准为 2023 年抓取的 742 句新闻，由两位母语专家注音，再由第三位专家检查。

在论文的第二个测试集 WikiNews（400 句）上，GPT-4 的成绩远好于其他所有系统：DER 为 0.551%。作者特别标注了这一行，并指出模型可能在训练中见过 WikiNews。这也是大模型基准测试的通病：公开的测试文本可能就在训练数据里。CATT 的作者对 Tashkeela 也提出了同样的担忧，因为其中的书籍大量引用《古兰经》和圣训。

Skiredj 与 Berrada 在另一篇 2024 年的论文中报告，GPT-4 在 Fadel 等人的基准上 DER 约为 20%、WER 约为 30%，但缺少与上表对比所需的细节。

所以，GPT-4 级别的模型可能接近专用注音工具，也可能落后于它。这两篇论文都早于你今天能调用的开源模型。请用你自己的文本测量。

## 有哪些测试集？

| 数据集 | 说明 |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 来自 97 本书的 75,629,921 个完整注音词；98.85% 为 Shamela 图书馆的古典阿拉伯语，1.15% 为现代标准阿拉伯语 |
| [Fadel 等人的基准](https://github.com/AliOsm/arabic-text-diacritization) | 从 Tashkeela 中抽取约 230 万词；训练 50,000 行、验证 2,500 行、测试 2,500 行 |
| CATT 基准 | 742 句人工注音的新闻句子，随 CATT 模型一起发布 |
| WikiNews | 400 句人工注音的 MSA 新闻句子 |

Tashkeela 和 Fadel 数据集以古典阿拉伯语为主。如果你的文本是现代商务或新闻阿拉伯语，CATT 和 WikiNews 数据集更接近，而你自己文本的样本最接近。

## 什么样的提示词能保证字母不被改动？

模型的任务是加符号，其他一概不碰。但大模型喜欢“帮忙”，会把 الى 改成 إلى，把词尾的 ى 改成 ي，或者补上缺失的 hamza。这些改动也许都是正确的阿拉伯语，但它们属于拼写纠错，而不是注音，会在不告诉你的情况下改变你的文本。

所以，提示词写明规则，代码负责执行：去掉回复中的注音符号，与去掉注音的输入比较。只要有一个字母、空格或标点不同，就拒收这条回复。

```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))
```

我们是在本地模拟服务器上运行的，而不是线上 API。对第一句，它预设的回复在两次尝试中都把 الى “纠正”成了 إلى；第二句的回复则没有问题。输出如下：

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

关于这段代码：

-   \*\*先做 Unicode NFC。\*\*hamza 可能以一个预组合字符（أ）出现，也可能是字母加组合符号。NFC 会在比较前把两边统一。[规范化那篇文章](https://broadrouter.com/zh/blog/arabic-text-normalization-search/)详细讲了这个陷阱。
-   \*\*`max_tokens=4000`。\*\*BroadNet 的文档说明，DeepSeek V4.1 Flash、GLM 5.3 和 Qwen3.8 27B 会先思考再作答，思考内容计入 `max_tokens`。上限太小会返回空回复，校验会将其拒收。请留足空间，或者把 `reasoning_effort` 设为 low；参见[思考模型返回空响应](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)和[思考 token 预算计算器](https://broadrouter.com/tools/reasoning-token-budget/)。
-   \*\*校验没有检查“保留已有注音”。\*\*如果你的输入已经部分注音，也要比较这些符号。
-   \*\*拼写是另一个决定。\*\*如果你希望把 الى 改正，先做一步纠错，再给纠正后的文本注音。把两件事混在一起，两者都无法校验。
-   \*\*长文本要分块。\*\*每个请求发送一句或一段。CATT 本身把输入限制在 1,024 个字符，并在标点处切分长句；同样的习惯能让大模型的回复保持简短，重试也更便宜。

关于编写阿拉伯语提示词的一般建议，包括何时应告诉模型不要加注音，参见[阿拉伯语提示词工程](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)。

## 如何给注音打分：DER 和 WER？

\*\*注音错误率（DER）**是注音与参考答案不同的字母所占比例。这里的**词错误率（WER）\*\*是至少有一个注音符号出错的词所占比例。它不同于[我们 ASR 文章](https://broadrouter.com/zh/blog/arabic-asr-wer-explained/)中语音识别的 WER：它统计的是注音有误的词，而不是插入或删除的词。

有两项设置会让数字差别很大：

-   \*\*含或不含格尾。\*\*词的最后一个字母承载语法格（i’rab），取决于句法。论文会报告两种设置，因为大量错误来自格尾。
-   \*\*是否统计不带注音的字母。\*\*有些脚本把不带符号的字母（例如 الطالب 中的 alef）计为一次正确的“无注音”预测，有些则跳过。Fadel 的评分脚本为此提供了一个开关。

已发表的脚本在这些选择上各不相同，所以只能比较同一个脚本算出的数字。下面这个脚本很短，可以通读：

```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))
```

这个示例预测在 32 个字母、7 个词中有两个格尾错误和一个词中元音错误。含格尾时输出 DER 9.38、WER 42.86；不含格尾时输出 DER 4.0、WER 14.29。注意 WER 如何放大少量错误：一个符号错了，整个词就算错。

脚本拒绝为字母被改动的词打分，这是有意为之。改动字母的注音工具已经没有完成任务，它的 DER 毫无意义。

作为第二项检查，我们用基于规则的注音工具 Mishkal 0.4.1，对一句由我们人工注音的 16 词句子做了测试。它的四个错误全部是格尾，例如把 مُحَمَّدٌ 写成 مُحَمَّدُ。含格尾时 DER 为 5.88，不含时为 0.0。一句话证明不了 Mishkal 的水平，但说明了为什么要两种设置都报告。

要构建测试集，取 100 到 200 句你自己的文本，请母语者注音，然后去掉符号，用每个候选系统跑一遍。人工版本作为标准答案保留。

## 什么时候专用注音工具胜过大模型？

| 选择 | 适用场景 |
| --- | --- |
| 专用模型（CATT、libtashkeel、Mishkal） | 大批量、文本类型固定、延迟要求严格、离线或端侧使用，或者需要在设计上保证逐字母一致的输出 |
| 通过 API 调用大模型 | 量小或波动大、输入混杂或不规整、团队没有 ML 运维，或者流水线的其他步骤已经在调用大模型 |

专用模型为每个字母预测一个符号，因此不可能改写你的文本。[CATT](https://github.com/abjadai/catt) 采用 Apache 2.0 许可证，用 `pip install catt-tashkeel` 安装；它的 README 推荐用仅编码器模型追求速度，用编码器-解码器模型追求准确率。[libtashkeel](https://github.com/mush42/libtashkeel) 采用 MIT 许可证，主要用 MSA 训练。[Mishkal](https://pypi.org/project/mishkal/) 基于规则、采用 GPL，如果你要把它打包进产品，这一点很重要。

大模型上手更快，也能应付训练模型从没见过的输入：方言、阿拉伯语与英语混排、奇怪的标点。但每条回复都需要上面的骨架校验，而且按 token 计费。

## 用大模型注音要花多少钱？

注音符号是额外的字符，分词器会把它们切成额外的 token。我们用每个模型自己的分词器，统计了 2,500 行的 Fadel 测试集（125,098 词），对比无注音文本与完整注音文本：

| 分词器 | 无注音文本 | 注音后 | 比值 |
| --- | --- | --- | --- |
| 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× |

无注音文本按输入 token 计费，注音后的回复按输出 token 计费，另加思考内容。输出是贵的一侧：据 BroadNet 价格页面，[Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/) 每百万 token $2.17，[DeepSeek V4.1 Flash](https://broadrouter.com/zh/models/deepseek-v4.1-flash/) 为 $0.52，[GLM 5.3](https://broadrouter.com/zh/models/glm-5.3/) 为 $3.46，[Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) 为 $0.22。校验失败后的重试还会增加费用。把你自己的文本粘贴到[阿拉伯语 token 计数器](https://broadrouter.com/tools/arabic-token-counter/)，就能看到你数据上的比值；至于阿拉伯语为什么本来就更费 token，参见[阿拉伯语与英语每词 token 数](https://broadrouter.com/zh/blog/tokens-per-word-arabic-english/)。

如果是对大型档案的一次性任务，DeepSeek V4.1 Flash 套餐用按会话的固定价格（每周 $15 或每小时 $1）取代按量计费；每个会话一次只运行一个请求，所以请参照[没有 Batch API 时的批量处理](https://broadrouter.com/zh/blog/llm-batch-processing-without-batch-api/)来规划运行。

## BroadNet Inference 的定位

BroadRouter 是 BroadNet 自己的网站。BroadNet Inference 通过一个 OpenAI 兼容端点提供上述四个对话模型，所以设置好 base URL 和密钥后，代码就能用 [OpenAI Python SDK](https://broadrouter.com/zh/guides/openai-python-sdk/) 运行。Gemma 4 VL 26B 可以用 $5 的初始额度运行；DeepSeek、GLM 和 Qwen 需要充值。BroadNet 没有注音端点，没有发布自己的注音基准，也没有文本转语音。它的哪个模型最适合给你的文本注音，尚未测量：请先用你自己的样本打分，再做选择。请求细节见 [API 参考](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-diacritization-llm&utm_content=body)。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

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

token（词元）是大语言模型读写文本的基本单位：由模型的分词器切分出的一个词、词的一部分、一个标点或一段字节序列。大模型 API 按 token 计数、设定限制，通常也按 token 计费。

[词错误率（WER，word error rate）](https://broadrouter.com/zh/glossary/word-error-rate/)

词错误率（WER）是语音识别的标准准确率指标：把转写结果改成正确参考文本所需的替换、删除和插入词数，除以参考文本的词数。数值越低越好。

[海姆宰（hamza）](https://broadrouter.com/zh/glossary/hamza/)

Hamza（ء，海姆宰）是阿拉伯语表示声门塞音的字母。它可单独书写，也可写在 alef（أ إ）、waw（ؤ）或 yeh（ئ）上，آ 则是 alef 加 madda。由于输入文本对它的写法不一致，搜索引擎和语音评分常把 alef 形式统一为 ا。

[现代标准阿拉伯语（MSA）](https://broadrouter.com/zh/glossary/msa/)

现代标准阿拉伯语（MSA）是阿拉伯世界在书面、新闻、教育和正式讲话中使用的标准化阿拉伯语。它不是任何人日常使用的母语：人们平时说埃及阿拉伯语、海湾阿拉伯语等地区方言，在正式场合才切换到 MSA。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[文本转语音（TTS，text-to-speech）](https://broadrouter.com/zh/glossary/text-to-speech/)

文本转语音（TTS），也叫语音合成，是把书面文字转换成语音的技术。TTS API 接收文本、音色和输出格式（如 MP3 或 WAV），返回生成的语音。它与把音频转成文字的语音转文字方向相反。

[阿拉伯语变音符号（tashkeel）](https://broadrouter.com/zh/glossary/arabic-diacritics/)

阿拉伯语变音符号（tashkeel）是写在字母上方或下方的小符号，用来标示短元音、辅音重叠和无元音。它们是可选的：包括新闻在内，大多数阿拉伯语文本都省略它们，读者和软件需要根据上下文推断元音。

[按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)

按量付费是一种计价模式：你只为实际用量付费，按 token、请求次数或音频分钟等单位计量，没有订阅费，也没有最低消费承诺。大多数大模型 API 都这样计费，从预付余额中扣减或定期开具账单。

## 常见问题

### 用 Python 怎么给阿拉伯语文本加注音符号？

有两条路。一是安装 catt-tashkeel（Apache 2.0）或 mishkal（GPL）这类专用注音工具，在本地调用；二是把文本发给大模型，提示词只要求加 tashkeel。用大模型时，一定要检查回复去掉注音后是否与输入一致。

### ChatGPT 或 GPT-4 擅长阿拉伯语注音吗？

在一些测试中接近最好的专用系统，在另一些测试中则落后。CATT 论文测得 GPT-4 在其新闻基准上含格尾的 DER 为 9.515%，论文自己的模型为 8.624%。另一篇 2024 年的论文报告 GPT-4 在 Fadel 基准上的 DER 约为 20%。请用你自己的文本测试。

### 注音任务里的 DER 和 WER 有什么区别？

DER 是注音出错的字母所占比例。WER 是至少有一个注音错误的词所占比例，所以总是更高。两者都分别报告含格尾（每个词的最后一个字母）和不含格尾的结果。

### 为什么大模型加 tashkeel 时会改动字母？

因为它顺手纠正了拼写：الى 变成 إلى，ى 变成 ي，补上缺失的 hamza。这些改动也许是对的，但那是纠错，不是注音，而且会破坏逐字母评分。请在提示词中要求它不要这样做，检查每一条回复；如果需要纠错，就把它作为单独的步骤。

### BroadNet 能把加了注音的文本朗读出来吗？

不能。BroadNet Inference 没有文本转语音端点，只提供对话模型和语音转文字。如果注音是 TTS 流水线的前端，请把结果发给另一个 TTS 服务。

## 继续阅读

-   [面向搜索和 RAG 的阿拉伯语文本规范化：该改什么，不该改什么](https://broadrouter.com/zh/blog/arabic-text-normalization-search/)
-   [阿拉伯语提示词工程：语体、RTL、数字与中英混排](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)
-   [阿拉伯语与英语每词 token 数：为什么阿拉伯语更贵](https://broadrouter.com/zh/blog/tokens-per-word-arabic-english/)
-   [用大模型做阿拉伯语命名实体抽取：JSON、日期与校验](https://broadrouter.com/zh/blog/arabic-named-entity-extraction-llm/)
-   [如何选择阿拉伯语大模型 API：该测试什么](https://broadrouter.com/zh/blog/choosing-an-llm-for-arabic/)
-   [没有 Batch API 也能批量调用大模型：可断点续跑的执行器](https://broadrouter.com/zh/blog/llm-batch-processing-without-batch-api/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [阿拉伯语 OCR API 对比：Google、Azure、Textract、Mistral 与大模型](https://broadrouter.com/zh/blog/arabic-ocr-api-comparison/)
-   [指南：用 OpenAI Python SDK 调用 BroadNet Inference](https://broadrouter.com/zh/guides/openai-python-sdk/)
-   [指南：推理模型为什么返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [Alasmary、Zaafarani 与 Ghannam，CATT: Character-based Arabic Tashkeel Transformer（arXiv 2407.03236v3），表 4 和表 5、数据集规模、1,024 字符输入上限（2026-11-15 查阅）](https://arxiv.org/html/2407.03236v3)
-   [GitHub 上的 abjadai/catt：Apache 2.0 许可证、pip 包 catt-tashkeel、仅编码器与编码器-解码器模型（2026-11-15 查阅）](https://github.com/abjadai/catt)
-   [Fadel 等，Arabic Text Diacritization Using Deep Neural Networks（arXiv 1905.01965）：取自 Tashkeela 的 5.5 万行、约 230 万词（2026-11-15 查阅）](https://arxiv.org/abs/1905.01965)
-   [GitHub 上的 AliOsm/arabic-text-diacritization：50,000 / 2,500 / 2,500 行划分、MIT 许可证、diacritization\_stat.py（2026-11-15 查阅）](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki 与 Balla，Tashkeela: Novel corpus of Arabic vocalized texts，Data in Brief 2017：75,629,921 词、97 本书、98.85% 为古典阿拉伯语（2026-11-15 查阅）](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj 与 Berrada，Arabic Text Diacritization in the Age of Transfer Learning（arXiv 2401.04848）：报告 GPT-4 在 Fadel 基准上 DER 约 20%、WER 约 30%（2026-11-15 查阅）](https://arxiv.org/html/2401.04848v1)
-   [PyPI 上的 Mishkal：0.4.1 版、GPL、TashkeelClass 用法（2026-11-15 查阅）](https://pypi.org/project/mishkal/)
-   [GitHub 上的 mush42/libtashkeel：注音恢复库、MIT 许可证、模型主要用 MSA 训练（2026-11-15 查阅）](https://github.com/mush42/libtashkeel)
-   [BroadNet Inference API 参考：模型 ID、思考计入 max\_tokens、reasoning\_effort、端点（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-diacritization-llm&utm_content=sources)
