El arabizi, también llamado franco-árabe o «franco», es árabe escrito con letras latinas y dígitos para los sonidos que el alfabeto latino no tiene, como 3 para ع y 7 para ح. Para manejarlo con un LLM, detéctelo, haga que el modelo lo convierta a escritura árabe indicando el dialecto y ejecute el resto de su pipeline sobre el texto árabe.
“ana 3ayez a7gez ma3ad bokra” es un mensaje normal de un cliente en Egipto: «أنا عايز أحجز ميعاد بكرة» (quiero reservar una cita mañana). Nació en teléfonos y computadoras sin teclado árabe y sigue apareciendo en los chats.
¿Qué números corresponden a qué letras árabes?
No hay un estándar, pero se usan dígitos para las letras árabes que se les parecen o que no tienen equivalente latino. El panorama del alfabeto de chat árabe recoge las convenciones habituales:
| Dígito | Letra árabe | Ejemplo | Escritura árabe | Significado |
|---|---|---|---|---|
| 2 | ء (hamza) / أ | so2al | سؤال | pregunta |
| 3 | ع | 3arabi | عربي | árabe |
| 3’ u 8 | غ | 8aly / 3’aly | غالي | caro |
| 5 o kh | خ | 5alas | خلاص | listo / basta |
| 6 | ط | 6ayeb | طيب | de acuerdo (Golfo) |
| 7 | ح | 7abibi | حبيبي | querido |
| 9 | ص | 9ba7 | صباح | mañana (Golfo) |
| 8 | ق (en algunas regiones) | 8alb | قلب | corazón |
Los hábitos regionales difieren. El panorama señala, por ejemplo, que el 8 para غ solo se usa en el Líbano, mientras que el 8 y el 9 para ق son habituales en Arabia Saudita; en el arabizi egipcio, el 2 puede representar ق donde se pronuncia como oclusiva glotal. Las vocales se escriben de oído, así que “ma3lesh”, “ma3lsh” y “m3lsh” (معلش, no importa) son la misma palabra.
¿Por qué el arabizi es difícil para el software?
- Casi siempre es dialecto. La gente escribe el arabizi como habla, así que reúne todos los retos de los dialectos a la vez, sin escritura árabe que los ancle.
- Parece inglés o francés. “bas” es بس (pero / solo) en árabe y nada en inglés; “men” es من (de / quién). Los detectores de palabras clave y las herramientas de identificación de idioma suelen etiquetar el arabizi como inglés u otro idioma de alfabeto latino.
- No hay ortografía estándar. Fallan la búsqueda por coincidencia exacta, las reglas de intención y la analítica.
- Alternancia de código. “el order bta3i lessa ma waslsh, can u check?” mezcla arabizi egipcio e inglés en una sola frase.
Los conversores basados en reglas tienen dificultades porque una cadena latina puede corresponder a muchas grafías árabes; sistemas de investigación como el trabajo de Darwish sobre detección y conversión de arabizi combinaron la minería de transliteraciones con modelado del lenguaje para elegir la palabra correcta, y reportaron un 88.7 % de precisión en la conversión. Los LLM modernos hacen eso, en la práctica, en un solo paso.
¿Qué tan bien manejan los LLM el arabizi?
Los modelos grandes han visto arabizi en textos web y de redes sociales, así que a menudo entienden las frases comunes. Los resultados varían según el modelo y el dialecto, así que pruebe antes de confiar en ellos. Fallos típicos:
- Tratarlo como inglés y responder a un mensaje mal interpretado.
- Convertirlo al dialecto equivocado, por ejemplo «pasando» el egipcio a palabras de MSA que cambian el tono, o suponiendo Golfo cuando el usuario es libanés.
- Alfabeto de salida inconsistente, respondiendo en arabizi a un mensaje y en escritura árabe al siguiente.
- Precisión alucinada en nombres y lugares, donde la grafía latina es ambigua.
La solución es la misma que para los dialectos en general: diga al modelo qué esperar y qué producir.
¿Cómo se convierte arabizi a escritura árabe con un LLM?
Convierta primero el arabizi a escritura árabe y luego ejecute el resto de su pipeline (búsqueda, enrutamiento, respuestas) sobre texto árabe. Así mantiene una sola ruta de código y hace que funcionen la búsqueda y la analítica.
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
NORMALISE = """You receive a customer message that may be in Arabic script, English,
or Arabizi (Arabic written in Latin letters and digits, e.g. 3=ع, 7=ح, 2=ء, 5=خ).
Customers are mostly Egyptian. Return JSON only:
{"script": "arabic" | "arabizi" | "latin_english" | "mixed",
"dialect": "egyptian" | "gulf" | "levantine" | "msa" | "other" | null,
"arabic_text": "<the message in Arabic script, keeping the dialect words; keep English words in Latin letters>",
"english_gloss": "<short English meaning>"}"""
def normalise(message: str) -> dict:
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=1500, # the model reasons first; leave room for the JSON
messages=[{"role": "system", "content": NORMALISE},
{"role": "user", "content": message}],
)
text = r.choices[0].message.content.strip()
text = text.removeprefix("```json").removeprefix("```").removesuffix("```")
return json.loads(text) # validate the fields before you trust them
print(normalise("el order bta3i lessa ma waslsh, can u check?"))
Un buen resultado:
{"script": "mixed", "dialect": "egyptian",
"arabic_text": "الأوردر بتاعي لسه ما وصلش، can u check?",
"english_gloss": "My order still hasn't arrived, can you check?"}
Notas sobre este diseño:
- Conserve las palabras dialectales. Pedir “the message in Arabic script, keeping the dialect words” evita que se reescriba en silencio al MSA, lo que haría perder significado para el enrutamiento y el análisis de sentimiento.
- Conserve el original. Guarde el mensaje sin procesar junto a la conversión para auditorías y para reentrenar reglas.
- Use un prefiltro barato. Una comprobación sencilla (letras latinas más los dígitos 2, 3, 5, 6, 7, 8 o 9 dentro de las palabras, como en la expresión regular de abajo) detecta la mayor parte del arabizi antes de gastar una llamada al LLM. Los mensajes solo en árabe o solo en inglés pueden saltarse la conversión. Para una salida más estricta, use salida estructurada con un esquema.
import re
ARABIZI_HINT = re.compile(r"\b[a-z]*[2356789][a-z]+\b|\b[a-z]+[2356789][a-z]*\b", re.I)
def maybe_arabizi(text: str) -> bool:
return bool(ARABIZI_HINT.search(text)) and not re.search(r"[-ۿ]", text)
Este indicio no detecta el arabizi sin dígitos (“ana mesh fahem”, no entiendo) y salta con códigos de producto como “a7x”; trátelo como un ahorro de costos, no como un clasificador. La decisión real es el campo script del LLM.
¿En qué alfabeto debe ir la respuesta?
Decida por producto, no por mensaje:
| Responder en | Cuándo |
|---|---|
| Escritura árabe (MSA o dialecto ligero) | Opción por defecto para la mayoría de las empresas; todos pueden leerla |
| Inglés | Si su idioma de soporte es el inglés, o el cliente escribió mayormente en inglés |
| Arabizi | Marcas juveniles que quieren adaptarse al estilo del cliente; revise muestras con hablantes nativos |
Replicar el arabizi automáticamente tiende a producir grafías que resultan raras a los usuarios nativos, porque no hay un estándar que seguir. Si decide replicarlo, dé al modelo ejemplos de las grafías que prefiere. Más sobre cómo fijar registro y alfabeto en ingeniería de prompts en árabe.
¿Qué modelo conviene usar para el arabizi?
Reúna de 50 a 100 mensajes reales en arabizi de sus canales, escriba para cada uno la versión correcta en escritura árabe y la intención, y evalúe los modelos candidatos primero por precisión de la intención y después por calidad de la conversión. BroadNet reporta que Qwen3.8 27B entendió los dialectos del Golfo y egipcio y escribió árabe fluido en sus pruebas; no publicó un resultado específico de arabizi, así que pruébelo con los suyos. DeepSeek V4.1 Flash es más barato por token de salida, y BroadNet Gemma 4 VL 26B es el modelo más barato de BroadNet para un paso de preclasificación de alto volumen. Los precios están en la página de precios. El arabizi en alfabeto latino y la escritura árabe se tokenizan de forma distinta, así que pegue ambas versiones de algunos mensajes en el contador de tokens gratuito antes de estimar el costo.
¿Dónde aparece el arabizi?
- WhatsApp y mensajes directos en redes sociales: la fuente principal. Vea arquitectura de un chatbot de WhatsApp en árabe.
- Cajas de búsqueda: los usuarios escriben “7agz” (حجز, reserva). Normalice las consultas con el mismo paso antes de la recuperación RAG en árabe.
- No en la voz a texto, si envía el idioma. El arabizi lo escriben las personas. Si la transcripción de un audio en árabe vuelve en letras latinas, probablemente a la solicitud le falta
language=ar; la documentación de BroadNet advierte que, de lo contrario, el árabe puede transliterarse. Vea la guía de notas de voz de WhatsApp.
