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.