BroadRouter
Comenzar

Árabe estándar moderno (MSA, fusha)

Actualizado

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

También llamado: árabe estándar moderno, árabe estándar, árabe culto, fusha, árabe clásico moderno, Modern Standard Arabic, MSA, Fusha, Fus'ha, Standard Arabic, al-fusha

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.

Preguntas frecuentes

¿Qué código de idioma debo enviar para audio en dialecto?

Envíe ar. La documentación de BroadNet indica enviar language=ar para el árabe, y BroadNet Transcribe Arabic figura para árabe incluidos los dialectos, así que no hay un código distinto por dialecto.

¿Los hablantes de árabe entienden el MSA?

Los hablantes con estudios lo leen y lo entienden, ya que es la lengua de la escuela, los libros y las noticias. En la conversación cotidiana hablan su dialecto.

¿Cuál es el código de idioma del MSA?

ISO 639-3 registra el árabe estándar como arb, parte de la macrolengua árabe ara. Las APIs de voz suelen aceptar el código de dos letras ar para todo el árabe.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity