Cuando se dice que un modelo de IA “habla árabe”, normalmente se refiere a que maneja el árabe estándar moderno. Los dialectos son otra prueba.
Cómo funciona
El árabe es una familia de variedades. El artículo de MADAR (Bouamor et al., 2018) lo dice sin rodeos: el MSA es “the shared language of culture, media, and education from Morocco to Oman” (traducción: la lengua compartida de la cultura, los medios y la educación desde Marruecos hasta Omán), pero “is not the native language of any speaker of Arabic” (traducción: no es la lengua materna de ningún hablante de árabe). Los dialectos se agrupan por región en egipcio, norteafricano, levantino, del Golfo y yemení, y por subregión en tunecino, libanés, kuwaití, catarí, etc. MADAR cubre 25 dialectos de ciudades además del MSA.
En la práctica, ambos se mezclan. En contextos no guionizados donde se esperaría MSA, como los programas de entrevistas en televisión, los hablantes alternan entre el MSA y su dialecto. Eso es code-switching, y la tarea compartida de code-switching de 2014 encontró que MSA frente a dialecto era el par más difícil de distinguir a nivel de palabra, más que español-inglés o nepalí-inglés.
| MSA | Dialectos | |
|---|---|---|
| Dónde | noticias, libros, escuela, contratos, habla formal | casa, calle, llamadas, notas de voz, chat |
| Ortografía | estándar | sin ortografía fija; a menudo se escriben en Arabizi |
| Datos de entrenamiento | grandes corpus escritos | muchos menos, repartidos de forma desigual por región |
Por qué importa
- Calidad del LLM. Un modelo puede escribir buen MSA y aun así no captar la jerga del Golfo o del Magreb. Pruebe con el dialecto que hablan sus usuarios.
- Precisión de voz a texto. Muchos conjuntos de prueba son habla leída o de emisión, mientras que su audio pueden ser notas de voz en dialecto. Pida la tasa de error de palabras (WER) por variedad, no una única cifra para el árabe, y pruebe con sus propias grabaciones.
- Coste en tokens. En nuestro conjunto de datos de tokenizadores, en Qwen3.8 27B el árabe estándar moderno necesitó 1.31× los tokens de las mismas frases en inglés (2,009 frases de FLORES-200) y el árabe del Golfo 1.21× (un conjunto pequeño de 49 frases de Tatoeba, así que es una cifra aproximada). Use el contador de tokens en árabe con su propio texto.
En BroadNet Inference
BroadNet informa que probó Qwen3.8 27B para la redacción fluida en árabe, con comprensión de los dialectos del Golfo y egipcio. BroadNet Transcribe Arabic figura para árabe incluidos los dialectos. Tanto para audio en MSA como en dialecto, envíe language=ar; la documentación de BroadNet advierte que, sin él, el árabe puede volver en letras latinas. El artículo sobre reconocimiento de voz en dialectos árabes explica cómo probar con sus propias grabaciones.