BroadRouter
Loslegen

Modernes Hocharabisch (MSA)

Aktualisiert

Modernes Hocharabisch (MSA) ist die standardisierte Form des Arabischen, die in der gesamten arabischen Welt für Schrift, Nachrichten, Bildung und formelle Rede genutzt wird. Niemand spricht es als Alltagsmuttersprache: Gesprochen werden regionale Dialekte wie Ägyptisch oder Golfarabisch, in formellen Situationen wechselt man ins MSA.

Auch genannt: Hocharabisch, Modernes Standardarabisch, Standardarabisch, Fusha, Fus'ha, Modern Standard Arabic, Standard Arabic, al-fusha

Wenn es heißt, ein KI-Modell „spricht Arabisch“, ist meist gemeint, dass es Modernes Hocharabisch beherrscht. Dialekte sind ein eigener Test.

So funktioniert es

Arabisch ist eine Familie von Varietäten. Das MADAR-Paper (Bouamor et al., 2018) sagt es deutlich: MSA ist „the shared language of culture, media, and education from Morocco to Oman“ (Übersetzung: „die gemeinsame Sprache von Kultur, Medien und Bildung von Marokko bis Oman“), und doch „is not the native language of any speaker of Arabic“ (Übersetzung: „ist es für keinen Arabischsprecher die Muttersprache“). Dialekte werden regional gruppiert, als Ägyptisch, Nordafrikanisch, Levantinisch, Golfarabisch und Jemenitisch, und subregional als Tunesisch, Libanesisch, Kuwaitisch, Katarisch und so weiter. MADAR selbst deckt neben MSA 25 Stadtdialekte ab.

In der Praxis vermischen sich beide. In freier Rede, wo man MSA erwarten würde, etwa in TV-Talkshows, wechseln Sprecher zwischen MSA und ihrem Dialekt hin und her. Das ist Code-Switching, und der Shared Task zu Code-Switching von 2014 fand, dass sich MSA und Dialekt auf Wortebene am schwersten unterscheiden lassen, schwerer als Spanisch-Englisch oder Nepali-Englisch.

MSA Dialekte
Wo Nachrichten, Bücher, Schule, Verträge, formelle Rede Zuhause, Straße, Telefonate, Sprachnachrichten, Chat
Schreibweise standardisiert keine feste Schreibweise; oft als Arabizi getippt
Trainingsdaten große Textkorpora deutlich weniger, regional ungleich verteilt

Warum es wichtig ist

  • Qualität von LLMs. Ein Modell kann gutes MSA schreiben und trotzdem Slang vom Golf oder aus dem Maghreb verfehlen. Testen Sie mit dem Dialekt, den Ihre Nutzer sprechen.
  • Genauigkeit bei Speech-to-Text. Viele Testsets bestehen aus vorgelesener oder gesendeter Sprache, während Ihr Audio vielleicht aus Sprachnachrichten im Dialekt besteht. Fragen Sie nach der Wortfehlerrate pro Varietät, nicht nach einer einzigen Zahl für Arabisch, und testen Sie mit Ihren eigenen Aufnahmen.
  • Token-Kosten. In unserem Tokenizer-Datensatz brauchte Modernes Hocharabisch auf Qwen3.8 27B 1.31× der Tokens derselben Sätze auf Englisch (2,009 FLORES-200-Sätze) und Golfarabisch 1.21× (eine kleine Menge von 49 Tatoeba-Sätzen, also ein grober Wert). Nutzen Sie den arabischen Token-Zähler mit Ihrem eigenen Text.

Bei BroadNet Inference

BroadNet berichtet, Qwen3.8 27B auf flüssiges arabisches Schreiben getestet zu haben, wobei Golf- und ägyptischer Dialekt verstanden werden. BroadNet Transcribe Arabic ist für Arabisch einschließlich Dialekten gelistet. Senden Sie für MSA- wie für Dialekt-Audio language=ar; die Dokumentation von BroadNet warnt, dass Arabisch ohne diesen Parameter in lateinischen Buchstaben zurückkommen kann. Der Artikel zur Spracherkennung arabischer Dialekte erklärt, wie Sie mit Ihren eigenen Aufnahmen testen.

Häufige Fragen

Welchen Sprachcode sende ich für Audio im Dialekt?

Senden Sie ar. Die Dokumentation von BroadNet sagt, für Arabisch language=ar zu senden, und BroadNet Transcribe Arabic ist für Arabisch einschließlich Dialekten gelistet. Einen eigenen Code pro Dialekt gibt es also nicht.

Verstehen Arabischsprachige Hocharabisch?

Gebildete Sprecher lesen und verstehen es, denn es ist die Sprache von Schule, Büchern und Nachrichten. Im Alltagsgespräch sprechen sie ihren Dialekt.

Welchen Sprachcode hat MSA?

ISO 639-3 führt Standard Arabic als arb, Teil der Makrosprache Arabisch (ara). Speech-APIs nehmen für jedes Arabisch meist den zweibuchstabigen Code ar.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen