---
title: "Arabische Textnormalisierung für Suche und RAG | BroadRouter"
description: "Taschkil, Alif-Formen, Taa marbuta, Hamza-Träger, persische Buchstaben, Ziffern, Unicode: welche Regeln der Suche helfen, welche schaden, mit getestetem Python."
url: https://broadrouter.com/de/blog/arabic-text-normalization-search/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/arabic-text-normalization-search/) (aktualisiert am 2026-11-16).

# Arabische Textnormalisierung für Suche und RAG: was ändern, was nicht

Vom Team von BroadNet Inference · 7 Min. Lesezeit · Veröffentlicht 2026-11-15 · Aktualisiert 2026-11-16

Für Suchindizes und RAG normalisieren Sie die gespeicherte Kopie und jede Anfrage auf dieselbe Weise: Unicode NFKC, Taschkil und Tatweel entfernen, Alif-Formen vereinheitlichen, ى auf ي und ة auf ه abbilden und Ziffern umwandeln. Behalten Sie den Originaltext für die Anzeige und für das LLM. Hamza-Träger und Taa marbuta sind einstellbar: Sie erhöhen den Recall, verschmelzen aber einige unterschiedliche Wörter.

## Das Wichtigste in Kürze

-   Normalisieren Sie den Suchschlüssel, nie den Text, den Sie anzeigen oder zitieren. Speichern Sie das Original daneben.
-   In einer klassischen Studie zu arabischen Nachrichtentexten aus TREC-2001 hob die Normalisierung allein die Average Precision von .194 auf .238, mit zusätzlichem Light Stemming waren es .376.
-   Führen Sie zuerst Unicode NFKC aus. Es setzt zerlegtes Hamza zusammen, löst Präsentationsformen und Ligaturen auf und macht die späteren Regeln zuverlässig.
-   Die Bibliotheken sind sich uneinig. PyArabics normalize\_alef bildet ى auf ا ab, CAMeL Tools bildet ى auf ي ab. Wählen Sie ein Regelset und verwenden Sie es überall.
-   Testen Sie bei Embedding-Suche normalisierte und rohe Eingaben mit Ihren eigenen Anfragen. Die Normalisierungsregeln wurden an Keyword-Suche gemessen.

**Auf dieser Seite**

1.  Hilft Normalisierung dem Retrieval wirklich?
2.  Was sollten Sie normalisieren, und was kostet jede Regel?
3.  Warum sollte die Unicode-Normalisierung zuerst kommen?
4.  Was sollten Sie nicht normalisieren?
5.  Wie unterscheiden sich CAMeL Tools, PyArabic und Lucene?
6.  Wie sieht ein getesteter Normalisierer aus?
7.  Wie passt Normalisierung zu Embeddings und RAG?
8.  Wo BroadNet Inference ins Bild passt

Im Arabischen lässt sich dasselbe Wort auf mehrere Arten schreiben. Ein Nutzer tippt احمد, im Dokument steht أَحْمَد. Ein Suchindex, der exakte Zeichen vergleicht, verpasst diesen Treffer, und die Keyword-Hälfte einer RAG-Pipeline ebenso. Normalisierung behebt das, indem sie Varianten vor dem Vergleich auf eine Form abbildet. Unbedacht angewendet, verschmilzt sie aber auch Wörter mit unterschiedlicher Bedeutung. Dieser Beitrag geht Regel für Regel vor: was jede bewirkt, wann sie passt, was sie kaputt macht und wie sich die wichtigsten Bibliotheken unterscheiden. Am Ende steht getestetes Python.

Für die vollständige arabische RAG-Pipeline (Chunking, hybride Suche, Antworten mit Quellen) siehe [Arabisches RAG, das funktioniert](https://broadrouter.com/de/blog/arabic-rag-search/). Dieser Beitrag geht tiefer auf den Normalisierungsschritt ein.

## Hilft Normalisierung dem Retrieval wirklich?

Ja, bei Keyword-Suche, und die Belege sind alt, aber eindeutig. Larkey, Ballesteros und Connell (SIGIR 2002) testeten arabisches Retrieval auf der Nachrichtensammlung von TREC-2001. Vor dem Stemming normalisierten sie Korpus und Anfragen: Diakritika und Satzzeichen entfernt, Alif-Formen vereinheitlicht, ى und ة am Wortende abgebildet. Ihre einsprachigen Ergebnisse mit nicht erweiterten Anfragen:

| Verarbeitung | Average Precision | Änderung ggü. Rohtext (aus den gerundeten Werten) |
| --- | --- | --- |
| Rohtext | .194 | — |
| Normalisiert | .238 | +22.7% |
| Normalisiert + Light Stemming (light8) | .376 | +93.8% |

Zwei Einschränkungen. Das ist Keyword-Retrieval auf Nachrichten von 2002, keine Embedding-Suche. Und der größte Gewinn kam vom Light Stemming (Entfernen von Präfixen wie و und ال sowie häufiger Suffixe), einem von der Normalisierung getrennten Schritt. Lucenes `ArabicAnalyzer` und der Analyzer `arabic` von Elasticsearch wenden beides an: erst einen Normalisierer, dann einen Light Stemmer.

## Was sollten Sie normalisieren, und was kostet jede Regel?

| Regel | Beispiel | Suchindex | Risiko |
| --- | --- | --- | --- |
| Unicode NFKC | ﻻ → لا, ا + ٔ → أ | Ja, immer zuerst | Schreibt auch Kompatibilitätszeichen anderer Schriften um |
| Unsichtbare Zeichen entfernen | Zero-Width-Joiner, RLM/LRM, BOM | Ja | Keins für Arabisch; ZWNJ ist im Persischen wichtig |
| Taschkil entfernen | أَحْمَدُ → أحمد | Ja | Verschmilzt Wörter, die sich nur durch Vokale unterscheiden |
| Tatweel (ـ) entfernen | الـــمدينة → المدينة | Ja | Keins |
| Alif vereinheitlichen | أ إ آ ٱ → ا | Ja | Verschmilzt einige Paare: سأل (fragte) und سال (floss) |
| Alif maqsura | ى → ي | Meistens | Verschmilzt على (auf) und علي (Ali) |
| Taa marbuta | ة → ه | Meistens | Verschmilzt كتابة (Schreiben) und كتابه (sein Buch) |
| Hamza-Träger | ؤ ئ → ء | Optional | Verschmilzt مسؤول und مسئول (gut), aber auch einige unterschiedliche Wörter |
| Persische Buchstaben | ی → ي, ک → ك | Ja, wenn Nutzer persische Tastaturen haben | Keins für arabischen Text |
| Ziffern | ٢٠٢٦ und ۲۰۲۶ → 2026 | Ja | Keins; behalten Sie das Original für die Anzeige |

Die Spalte „Suchindex“ gilt für Indexschlüssel und Anfrage. Der Text, den Sie speichern, anzeigen und an das Modell übergeben, bleibt wie geschrieben.

## Warum sollte die Unicode-Normalisierung zuerst kommen?

Derselbe sichtbare Buchstabe kann unterschiedlich gespeichert sein. أ kann ein Codepoint sein (U+0623) oder ein reines Alif gefolgt von einem kombinierenden Hamza (U+0627 U+0654). Ältere PDFs und manche Tastaturen erzeugen arabische Präsentationsformen (U+FB50 bis U+FEFF), etwa das Einzelzeichen Lam-Alif ﻻ. Bei der [Unicode-Normalisierung](https://unicode.org/reports/tr15/) setzt NFC das Hamza auf das Alif, und NFKC löst zusätzlich Präsentationsformen und Ligaturen auf. In Python liefert `unicodedata.normalize("NFKC", "ﻻ")` لا, und aus `ﷲ` wird الله.

Führen Sie das vor allem anderen aus. Sonst verfehlt ein regulärer Ausdruck, der أ ersetzt, die zerlegte Form. Es gibt eine zweite Falle: `dediac_ar` von CAMeL Tools entfernt die Zeichen in seinem `AR_DIAC_CHARSET` (U+064B bis U+0652 und U+0670). Dieses Set lässt die kombinierenden Zeichen für Hamza und Madda (U+0653 bis U+0655) aus, sodass sie in zerlegtem Text die Entfernung der Diakritika überstehen. NFKC setzt sie vorher zusammen.

NFKC ist eine Kompatibilitätsabbildung. Es ändert auch Zeichen außerhalb des Arabischen, zum Beispiel lateinische Buchstaben in voller Breite. In einem Suchschlüssel wollen Sie das meist, und es ist ein weiterer Grund, das Original daneben zu behalten.

## Was sollten Sie nicht normalisieren?

-   **Den Text, den Sie anzeigen, zitieren oder belegen.** Normalisiertes Arabisch sieht falsch geschrieben aus (المدينه). Speichern Sie das Original neben dem Schlüssel.
-   **Was Sie an das LLM senden.** Modelle lesen Hamza und Taschkil problemlos, und exakter Text hält Namen und Zitate korrekt. Das Entfernen von Taschkil spart einige Tokens; prüfen Sie mit dem [Token-Zähler für Arabisch](https://broadrouter.com/tools/arabic-token-counter/), wie viele, bevor Sie dafür Genauigkeit opfern.
-   **Text, in dem die Zeichen Bedeutung tragen:** Koran, Hadith, Lyrik, Kinderbücher, Aussprache- und Diakritisierungsaufgaben (siehe [Diakritika per LLM ergänzen](https://broadrouter.com/de/blog/arabic-diacritization-llm/)).
-   **Rechtschreib- oder Grammatikkorrektur:** Wer vorher normalisiert, löscht genau die Hamza- und Taa-marbuta-Fehler, die behoben werden sollen; siehe [Arabische Grammatik- und Rechtschreibkorrektur per LLM](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/).
-   **Bezeichner.** Produktcodes, E-Mail-Adressen, URLs und lateinischer Text dürfen nicht durch arabische Regeln laufen. Normalisieren Sie nur Felder in arabischer Schrift oder nur arabische Tokens.
-   **Felder, die exakt durchsucht werden.** Für Rechtsnamen oder ID-artige Felder indexieren Sie zusätzlich eine Rohkopie, damit ein exakter Treffer weiterhin zuerst erscheint.

## Wie unterscheiden sich CAMeL Tools, PyArabic und Lucene?

Sie implementieren nicht dieselben Regeln, und wer sie mischt, bekommt einen Index und Anfragen, die nie zusammenpassen. Wir haben Dokumentation und Quellcode jeder Bibliothek gelesen und PyArabic 0.6.15 ausgeführt:

| Funktion | Was sie tatsächlich tut |
| --- | --- |
| CAMeL `normalize_unicode` | NFKC (oder NFC mit `compatibility=False`); expandiert außerdem ﷼ zu ريال und ﷽ zur vollständigen Formel |
| CAMeL `normalize_alef_ar` | إ أ ٱ آ → ا |
| CAMeL `normalize_alef_maksura_ar` | ى → ي |
| CAMeL `normalize_teh_marbuta_ar` | ة → ه |
| CAMeL `dediac_ar` | Entfernt U+064B bis U+0652 und U+0670; lässt Tatweel stehen |
| PyArabic `strip_tashkeel` | Entfernt alle Harakat einschließlich Schadda |
| PyArabic `strip_tatweel` | Entfernt ـ |
| PyArabic `normalize_alef` | Jede Alif-Form **und ى** → ا, aus إلى wird also الا |
| PyArabic `normalize_hamza` | Die Standardmethode bildet jede Hamza-Form auf ء ab, auch أ, aus أحمد wird also ءحمد |
| Lucene `ArabicNormalizer` | Alif-Formen mit Hamza → ا, ة → ه, ى → ي, entfernt Harakat und Tatweel |

Die PyArabic-Zeilen überraschen viele. Laut Docstring von `normalize_alef` ist Alif maqsura eine Ausnahme, aber in 0.6.15 enthält das Set `ALEFAT` das ى, und die Funktion bildet es auf ا ab. `normalize_hamza` ist für hamza-unabhängigen Abgleich gebaut, nicht für allgemeine Suche. Auch die Reihenfolge zählt: Führen Sie zuerst die Alif-Normalisierung aus, dann berührt `normalize_hamza` nur noch ؤ, ئ und ء, sodass مسؤول und مسئول beide zu مسءول werden. Die Methode `tasheel` liefert stattdessen مسوول und مسيول, die nicht zueinander passen.

Der Filter `arabic_normalization` von Elasticsearch verwendet den Lucene-Normalisierer; eine Python-Pipeline, die zu einem Elasticsearch-Index passen soll, sollte Lucenes Regeln also exakt übernehmen. Das heißt ى → ي, nicht ى → ا.

## Wie sieht ein getesteter Normalisierer aus?

Diese Funktion folgt Lucenes Entscheidungen, ergänzt die Behandlung von Unicode, Ziffern und persischen Buchstaben und macht die riskanten Regeln abschaltbar. Sie nutzt nur die Standardbibliothek.

```python
import re
import unicodedata

DIACRITICS = re.compile("[ً-ٰٟ]")  # tashkeel, extra marks, superscript alef
INVISIBLE = re.compile("[​-‏‪-‮⁦-⁩﻿]")  # zero-width, bidi
ALEF = re.compile("[آأإٱ]")    # آ أ إ ٱ -> ا
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "0123456789" * 2)
FARSI = str.maketrans({"ی": "ي", "ک": "ك"})  # ی -> ي, ک -> ك

def normalize(text, *, alef=True, alef_maksura=True, ta_marbuta=True,
              hamza_seats=False, digits=True):
    text = unicodedata.normalize("NFKC", text)     # compose marks, unpack ligatures
    text = INVISIBLE.sub("", text)
    text = DIACRITICS.sub("", text).replace("ـ", "")   # tashkeel, tatweel
    text = text.translate(FARSI)
    if alef:
        text = ALEF.sub("ا", text)
    if alef_maksura:
        text = text.replace("ى", "ي")    # ى -> ي
    if ta_marbuta:
        text = text.replace("ة", "ه")    # ة -> ه
    if hamza_seats:
        text = re.sub("[ؤئ]", "ء", text)  # ؤ ئ -> ء
    if digits:
        text = text.translate(DIGITS)
    return text
```

Was sie für unsere Teststrings zurückgab:

| Eingabe | Ausgabe | Hinweis |
| --- | --- | --- |
| أَحْمَدُ | احمد | Taschkil und Hamza entfernt |
| الـــمدينة | المدينه | Tatweel und Taa marbuta |
| إلى | الي | Alif und Alif maqsura |
| ا + U+0654 + مل | امل | Zerlegtes Hamza zusammengesetzt, dann vereinheitlicht |
| ﻻبد | لابد | Präsentationsform aufgelöst |
| ٢٠٢٦ / ۱۴۰۵ | 2026 / 1405 | Arabisch-indische und persische Ziffern |
| مسؤول / مسئول | Beide مسءول mit `hamza_seats=True` | Standardmäßig unverändert |
| فارسی | فارسي | Persisches Ya |

Verwenden Sie sie an zwei Stellen: beim Bauen des Indexschlüssels und beim Einlesen einer Anfrage. Speichern Sie `original` und `normalize(original)` nebeneinander, suchen Sie auf dem zweiten und geben Sie das erste zurück. Mit dem kostenlosen [Normalisierer für arabischen Text](https://broadrouter.com/tools/arabic-text-normalizer/) können Sie Text einfügen und die Wirkung jeder Regel sehen, bevor Sie Ihre Einstellungen wählen.

## Wie passt Normalisierung zu Embeddings und RAG?

Eine RAG-Pipeline hat meist zwei Retriever: Keyword-Suche (BM25) und [Embeddings](https://broadrouter.com/de/glossary/embeddings/). Der Keyword-Seite hilft die Normalisierung eindeutig. Für die Embedding-Seite gelten die Belege oben nicht: Embedding-Modelle werden auf Rohtext trainiert, und viele legen احمد und أحمد bereits nah beieinander ab. Normalisierung vor dem Embedding kann helfen, nichts bewirken oder schaden. Bauen Sie 50 bis 100 echte Anfragen mit bekannten Antworten, führen Sie sie mit roher und normalisierter Eingabe aus und behalten Sie die Variante mit dem höheren Recall. Was auch immer Sie wählen, wenden Sie es auf Dokumente und Anfragen identisch an.

Normalisierung senkt auch die Token-Zahl leicht, weil Diakritika und Tatweel für den [Tokenizer](https://broadrouter.com/de/glossary/tokenizer/) zusätzliche Zeichen sind. Gemessene Verhältnisse finden Sie im [Datensatz zur Tokenizer-Effizienz](https://broadrouter.com/data/tokenizer-efficiency/) und unter [Tokens pro Wort auf Arabisch](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/). Dieselbe Normalisierung wird verwendet, um Spracherkennung fair zu bewerten; siehe [Arabische WER erklärt](https://broadrouter.com/de/blog/arabic-asr-wer-explained/).

Arabizi (Arabisch in lateinischen Buchstaben) braucht einen ganz anderen Ansatz: [Wie LLMs mit Arabizi umgehen](https://broadrouter.com/de/blog/arabizi-llm-handling/).

## Wo BroadNet Inference ins Bild passt

Die Normalisierung läuft in Ihrem eigenen Code, dafür ist keine API nötig. BroadNet Inference kommt nach dem Retrieval ins Spiel. Es verkauft keine Embeddings; kombinieren Sie also einen Retriever und einen Embedding-Anbieter Ihrer Wahl mit einem Chat-Modell von BroadNet für den Antwortschritt. [GLM 5.3](https://broadrouter.com/de/models/glm-5.3/) und DeepSeek V4.1 Flash nehmen 1.048.576 Tokens Kontext auf, Sie können also viele abgerufene Passagen in ihrem ursprünglichen, nicht normalisierten Arabisch übergeben. Zur Modellwahl nach arabischer Qualität siehe [Das richtige LLM für Arabisch wählen](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/). Brauchen Sie nur Keyword-Suche, genügt vielleicht schon der eingebaute Analyzer `arabic` von Elasticsearch.

Kostenlose Tools zum Thema (auf Englisch)

-   [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.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

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

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Unicode-Normalisierung](https://broadrouter.com/de/glossary/unicode-normalization/)

Unicode-Normalisierung wandelt Text in eine Standardform um, damit gleich aussehende Strings dieselben Codepoints verwenden. Die vier Formen sind NFD, NFC, NFKD und NFKC; die K-Formen führen zusätzlich Kompatibilitätszeichen wie arabische Präsentationsformen und Ligaturen auf gewöhnliche Buchstaben zurück.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Hamza](https://broadrouter.com/de/glossary/hamza/)

Hamza (ء) ist der arabische Buchstabe für den Knacklaut (Glottisschlag). Er steht allein oder auf einem Träger: Alif (أ إ), Waw (ؤ) oder Ya (ئ); آ verbindet Alif mit Madda. Weil getippter Text ihn uneinheitlich schreibt, fassen Suchmaschinen und Sprachbewertung die Alif-Formen oft zu ا zusammen.

[Arabische Textnormalisierung (text normalization)](https://broadrouter.com/de/glossary/arabic-text-normalization/)

Arabische Textnormalisierung ist der Schritt, der Schreibvarianten desselben Worts vor dem Abgleich auf eine Form abbildet: Diakritika und Tatweel entfernen, Alef-Formen vereinheitlichen und oft ى auf ي sowie ة auf ه abbilden. Sie wird auf Suchschlüssel und Evaluierung angewendet, nicht auf angezeigten Text.

[RAG (Retrieval-Augmented Generation)](https://broadrouter.com/de/glossary/rag/)

RAG (Retrieval-Augmented Generation) ist ein Muster, bei dem eine Anwendung zuerst zur Frage passende Abschnitte aus einem externen Speicher abruft, etwa einem Such- oder Vektorindex, und sie dann in den Prompt einfügt, damit ein Sprachmodell aus diesem Text antwortet statt nur aus seinem Gedächtnis.

[Embeddings](https://broadrouter.com/de/glossary/embeddings/)

Embeddings sind Listen von Gleitkommazahlen (Vektoren), die ein Modell erzeugt, um einen Text, ein Bild oder einen anderen Input darzustellen. Inputs mit ähnlicher Bedeutung erhalten nah beieinanderliegende Vektoren; über den Abstand lassen sich Suchergebnisse ranken, Dokumente clustern oder verwandte Elemente finden.

[Wortfehlerrate (Word Error Rate, WER)](https://broadrouter.com/de/glossary/word-error-rate/)

Die Wortfehlerrate (WER) ist das Standardmaß für die Genauigkeit der Spracherkennung: die Zahl der Wortersetzungen, -löschungen und -einfügungen, die nötig sind, um ein Transkript in die korrekte Referenz zu verwandeln, geteilt durch die Zahl der Wörter in der Referenz. Niedriger ist besser.

## Häufige Fragen

### Sollte ich Taschkil (Diakritika) vor dem Indexieren arabischer Texte entfernen?

Für die Suche ja: Die meisten Anfragen und die meisten modernen Texte haben keine, sodass vokalisierte Dokumente sonst nicht gefunden würden. Entfernen Sie sie aus Indexschlüssel und Anfrage, behalten Sie den Originaltext für die Anzeige und behalten Sie sie bei Koran, Lyrik oder Ausspracheaufgaben, wo sie Bedeutung tragen.

### Sollte Taa marbuta (ة) auf Ha (ه) normalisiert werden?

Für die Suche meistens, weil viele Leute am Wortende ه tippen. Es verschmilzt aber einige Paare, etwa كتابة (Schreiben) und كتابه (sein Buch). Sind solche Kollisionen in Ihrem Bereich wichtig, behalten Sie ة und testen beide Einstellungen.

### Was macht die arabische Normalisierung in Elasticsearch?

Der Token-Filter arabic\_normalization verwendet Lucenes ArabicNormalizer: Alif-Formen mit Hamza werden zu reinem Alif, Taa marbuta zu Ha, Alif maqsura zu Ya, Harakat und Tatweel werden entfernt. Der eingebaute Analyzer arabic ergänzt Stoppwörter und einen Stemmer, der angehängte Artikel, Konjunktionen, Präpositionen und häufige Suffixe entfernt.

### Hilft die Normalisierung arabischer Texte bei der Embedding-Suche?

Das ist nicht belegt. Die gemessenen Gewinne stammen aus Keyword-Retrieval. Embedding-Modelle lernen aus Rohtext und kommen oft mit Schreibvarianten zurecht. Bauen Sie also ein kleines Set echter Anfragen und vergleichen Sie den Recall mit und ohne Normalisierung, bevor Sie sich festlegen.

### Sollte ich arabischen Text normalisieren, bevor ich ihn an ein LLM sende?

In der Regel nicht. Senden Sie den Originaltext, damit Zitate, Namen und Belegstellen exakt bleiben. Das Entfernen von Taschkil spart einige Tokens, tun Sie es aber nur, wenn die Aufgabe die Zeichen nicht braucht.

## Weiterlesen

-   [RAG auf Arabisch: Normalisierung, Chunking und Retrieval, die wirken](https://broadrouter.com/de/blog/arabic-rag-search/)
-   [Tokens pro Wort, Arabisch vs. Englisch: Warum Arabisch mehr kostet](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/)
-   [Wortfehlerrate (WER) bei arabischer Spracherkennung erklärt](https://broadrouter.com/de/blog/arabic-asr-wer-explained/)
-   [Arabizi und LLMs: Franco-Arabisch mit Ziffern wie 3 und 7 verarbeiten](https://broadrouter.com/de/blog/arabizi-llm-handling/)
-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [Arabische Named Entity Extraction mit LLM: JSON, Daten, Prüfungen](https://broadrouter.com/de/blog/arabic-named-entity-extraction-llm/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Arabische Besprechungsprotokolle aus Aufnahmen: eine API-Pipeline](https://broadrouter.com/de/blog/arabic-meeting-minutes-from-recordings/)
-   [OCR-APIs für Arabisch: Google, Azure, Textract, Mistral, LLMs](https://broadrouter.com/de/blog/arabic-ocr-api-comparison/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-text-normalization-search&utm_content=page-cta) ·

**Quellen**

-   [Larkey, Ballesteros und Connell, Improving Stemming for Arabic Information Retrieval: Light Stemming and Co-occurrence Analysis, SIGIR 2002 (geprüft am 15.11.2026)](https://ciir.cs.umass.edu/pubfiles/ir-249.pdf)
-   [Dokumentation von CAMeL Tools 1.6.0, camel\_tools.utils.normalize (geprüft am 15.11.2026)](https://camel-tools.readthedocs.io/en/latest/api/utils/normalize.html)
-   [Quellcode von CAMeL Tools, charsets.py: das von dediac\_ar verwendete AR\_DIAC\_CHARSET (geprüft am 15.11.2026)](https://github.com/CAMeL-Lab/camel_tools/blob/master/camel_tools/utils/charsets.py)
-   [PyArabic 0.6.15 auf GitHub, Modul araby (geprüft am 15.11.2026)](https://github.com/linuxscout/pyarabic)
-   [Dokumentation des ArabicNormalizer in Apache Lucene 9.12 (geprüft am 15.11.2026)](https://lucene.apache.org/core/9_12_0/analysis/common/org/apache/lucene/analysis/ar/ArabicNormalizer.html)
-   [Normalisierungs-Token-Filter in Elasticsearch: arabic\_normalization (geprüft am 15.11.2026)](https://www.elastic.co/docs/reference/text-analysis/analysis-normalization-tokenfilter)
-   [Unicode Standard Annex #15, Unicode Normalization Forms (geprüft am 15.11.2026)](https://unicode.org/reports/tr15/)
-   [Unicode-Codetabelle Arabisch, U+0600 bis U+06FF (geprüft am 15.11.2026)](https://www.unicode.org/charts/PDF/U0600.pdf)
