---
title: "Arabic dialect speech recognition: paano i-test ang ASR"
description: "Bakit nahihirapan ang speech-to-text sa Gulf, Egyptian, Levantine at Maghrebi Arabic, at paano bumuo ng dialect test set para sukatin ang provider sa audio mo."
url: https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-dialect-speech-recognition/) (na-update noong 2026-11-16).

# Arabic dialect speech recognition: Gulf, Egyptian, Levantine, Maghrebi

Ng BroadNet Inference team · 5 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Iba ang mga Arabic dialect sa Modern Standard Arabic sa tunog, salita at spelling, at hinahaluan pa ng English o French, kaya mas mababa ang score ng mga ASR model na halos formal Arabic lang ang training. Para i-test ang provider, bumuo ng test set kada dialect mula sa totoong audio mo, magtakda ng spelling convention, at i-score ang WER, CER at entity accuracy kada dialect.

## Mga pangunahing punto

-   Malaking salik ang dialect sa accuracy ng Arabic ASR: ayon sa BroadNet, 3.8 ang WER sa binasang Arabic at 23.4 sa dialect speech para sa iisang model.
-   Walang standard na spelling ang mga dialect, kaya magpasya muna kung verbatim dialect o normalised ang mga reference bago mag-score.
-   May halong English ang Gulf speech; may halong French ang Maghrebi. I-score ang mga code-switched na clip bilang hiwalay na grupo.
-   Iulat ang WER at CER kada dialect, pati ang accuracy sa mga numero at pangalan. Huwag magtiwala sa iisang average na numero.
-   Sapat na ang 30 hanggang 50 clip kada dialect, na may 10 reference na mano-manong sinuri, para i-ranggo ang mga provider.

**Sa page na ito**

1.  Bakit mahirap ang mga Arabic dialect para sa speech recognition?
2.  Paano nagkakamali ang speech recognition sa bawat Arabic dialect?
3.  Paano bumuo ng Arabic dialect test set?
4.  Ano ang sinasabi ng mga nailathalang Arabic WER na numero?
5.  Aling LLM ang dapat magbasa ng mga dialect transcript?
6.  Saan pumapasok ang BroadNet Inference

Nahihirapan ang speech-to-text sa mga Arabic dialect dahil iba sila sa Modern Standard Arabic (MSA) sa tunog, salita at spelling, at hinahaluan pa ng mga nagsasalita ng English o French. Para malaman kung gaano kahusay ang isang provider, bumuo ng maliit na test set kada dialect mula sa totoong audio mo at i-score nang hiwalay ang bawat dialect.

“Arabic” lahat ang isang caller sa Riyadh, isang voice note mula sa Cairo at isang support call mula sa Casablanca, pero puwedeng mahusay ang isang model sa una at palpak sa pangatlo.

Ipinapaliwanag ng post na ito kung bakit mahirap ang bawat pangunahing grupo ng dialect para sa speech recognition, at kung paano bumuo ng test na magpapakita kung gaano kahusay ang isang provider sa **iyong** mga dialect. Para sa mas malawak na checklist sa pagbili (presyo, limit, privacy), tingnan ang [buyer’s guide sa Arabic speech-to-text](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/).

## Bakit mahirap ang mga Arabic dialect para sa speech recognition?

Apat na problema ang nagpapatong-patong:

1.  **Ibang tunog.** Iba-iba ang bigkas ng iisang letra depende sa rehiyon, kaya kailangang i-map ng acoustic model ang ilang tunog sa iisang spelling.
2.  **Ibang salita.** Magkakaiba ang mga pang-araw-araw na salita kada dialect. Puwedeng “itama” ng model na halos MSA ang training ang isang dialect na salita papunta sa formal na katumbas nito, at error iyon kung verbatim ang reference mo.
3.  **Walang standard na spelling.** Impormal ang pagsulat ng mga dialect, kaya kahit dalawang taong transcriber ay hindi nagkakasundo. Hindi rin pantay ang training data: ayon sa isang pag-aaral noong 2024 tungkol sa dialectal coverage, ang mga kasalukuyang ASR system ay “mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects” (salin: pangunahing sakop ang modern standard Arabic (MSA) at ilang dialect na maraming resource) ([arXiv 2411.05872](https://arxiv.org/abs/2411.05872)).
4.  **[Code-switching](https://broadrouter.com/fil/glossary/code-switching/).** Naghahalo ng English o French ang mga nagsasalita sa gitna ng pangungusap. Ang [Casablanca](https://aclanthology.org/2024.emnlp-main.1211) dataset, na sumasaklaw sa walong dialect, ay may annotation ng code-switching kasama ng dialect at gender.

Ito mismo ang dahilan kung bakit sinusuri ng papel na [Open Universal Arabic ASR Leaderboard](https://arxiv.org/abs/2412.13788) (Interspeech 2025) ang mga open-source model sa ilang multi-dialect test set: tinatago ng iisang Arabic score ang pagkakaiba-iba.

## Paano nagkakamali ang speech recognition sa bawat Arabic dialect?

| Grupo ng dialect | Saan | Karaniwang problema ng ASR |
| --- | --- | --- |
| Gulf (Khaleeji) | Saudi Arabia, UAE, Kuwait, Qatar, Bahrain, Oman | May halong English na pangalan ng produkto, numero at brand term; panrehiyong bigkas ng qaf at kaf |
| Egyptian | Egypt | Binibigkas ang jeem bilang matigas na g; kadalasang glottal stop ang qaf; napakakaraniwan sa media, kaya mas madalas itong makita ng mga model |
| Levantine | Syria, Lebanon, Jordan, Palestine | Glottal stop ang qaf sa lungsod; may halong French o English, lalo na sa Lebanon |
| Maghrebi (Darija) | Morocco, Algeria, Tunisia, Libya | Pinakamalayo sa MSA; nawawala ang maiikling patinig; mabigat na French code-switching; mga hiram na salitang Amazigh |
| Iraqi | Iraq | Natatanging bokabularyo at bigkas; mas kaunting pampublikong training audio |

Mga tendensiya ito, hindi mga patakaran. Magkaiba ang pananalita sa lungsod at probinsya sa loob ng bawat grupo, at mas madalas mag-code-switch ang mga nakababata. Ang punto: may sariling paraan ng pagkakamali ang bawat grupo, kaya i-score nang hiwalay ang bawat grupo.

## Paano bumuo ng Arabic dialect test set?

### 1\. Kumuha ng totoong audio kada dialect

Kumuha ng 30 hanggang 50 clip kada dialect mula sa channel na gagamitin mo sa production: tawag sa telepono, WhatsApp voice note, recording ng meeting. Iba ang kilos ng phone audio na 8 kHz kaysa sa studio audio. Lagyan ng label ang bawat clip ayon sa dialect, at i-tag ang mga clip na may English o French.

### 2\. Magkasundo muna sa spelling convention

Bago magsulat ng kahit anong reference, magpasya:

-   **Verbatim dialect** (isulat ang sinabi, sa dialect na spelling), o
-   **Normalised** (i-map sa iisang consistent na anyo).

Isulat ang napili kasama ang mga halimbawa. Kung verbatim ang mga reference at mga salitang parang MSA ang output ng model, mukhang napakasama ng WER kahit tama ang kahulugan. Walang maling pagpipilian. Kailangan lang itong tumugma sa kailangan ng downstream system mo.

### 3\. Sumulat ng reference para sa 10 clip kada dialect

Ipa-transcribe ang mga ito sa mga native speaker ng dialect na iyon. Para sa mga code-switched na clip, magpasya kung mananatili sa Latin script ang mga English na salita, at ilapat ito sa lahat.

### 4\. I-normalise ang dalawang panig, saka mag-score

Tanggalin ang mga diacritic, pag-isahin ang mga anyo ng alef (إ أ آ papuntang ا) at ang final yaa (ى papuntang ي), alisin ang bantas, at gawing Western ang mga Eastern Arabic na digit. Saka kalkulahin:

| Metric | Bakit |
| --- | --- |
| [WER](https://broadrouter.com/fil/glossary/word-error-rate/) kada dialect | Ang standard na sukatan; mahigpit sa mga clitic at prefix |
| CER kada dialect | Mas mapagpatawad sa pagkakaiba ng spelling |
| Entity accuracy | Bahagdan ng mga numero, petsa at pangalan na eksaktong na-transcribe |
| WER ng code-switch na grupo | Ipinapakita kung nakakaligtas ang mga English o French na salita |

Kinakalkula ng `jiwer` package ang WER at CER; may normalisation function na puwede mong gamitin ulit sa [Arabic WER explained](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/), pati isang halimbawa kung gaano nito binabago ang score.

### 5\. Basahin ang mga transcript

Ang mga numero ang nagpapasya kung gagana ang isang call-centre o banking workflow. Magbasa ng 20 transcript kada dialect at mano-manong suriin ang bawat numero, petsa at pangalan.

## Ano ang sinasabi ng mga nailathalang Arabic WER na numero?

Direksyon ang ibinibigay ng mga pampublikong benchmark, hindi pangako. Naglalathala ang BroadNet ng tatlong WER figure para sa BroadNet Transcribe Arabic sa [model catalogue](https://www.broadnet.ai/inference/models) nito: 3.8 sa FLEURS-ar (malinis na binasang pananalita), 21.1 sa MASC-ar (halo-halong pananalita mula sa totoong mundo) at 23.4 sa sarili nitong dialect set. Anim na beses ang itinaas para sa iisang model mula binasang pananalita papuntang dialect speech, kaya kailangan mong mag-test sa sarili mong mga dialect.

Kapag nagkukumpara ng mga provider, ikumpara sila sa iisang test set. Kapaki-pakinabang ang isang leaderboard gaya ng [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard) dahil pare-pareho ang paraan ng pag-score sa bawat model. Hindi maikukumpara ang sariling numero ng isang vendor sa sarili nitong set sa numero ng ibang vendor.

## Aling LLM ang dapat magbasa ng mga dialect transcript?

Kadalasang ipinapasa ang mga transcript sa isang LLM: para i-summarise ang tawag, i-route ang ticket o sagutin ang tanong. Kailangan ding makabasa ng dialect ang model na iyon. Ipinapaliwanag ng aming [gabay sa pagpili ng LLM para sa Arabic](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/) kung paano ito i-test, at ang [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) ang model na sinubok ng BroadNet sa mga Gulf at Egyptian dialect.

## Saan pumapasok ang BroadNet Inference

Ang [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) ay ginawa para sa Arabic kasama ang mga dialect, nagkakahalaga ng $0.0042 kada minuto ($0.25 kada oras), at ayon sa BroadNet ay ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ito sa Open Universal Arabic ASR Leaderboard, at #1 sa mga model na pinapayagan ng lisensya na i-serve sa pamamagitan ng API. Para sa mga numero, petsa at pangalan sa maingay na audio, nag-aalok ang BroadNet ng fine-tuned na bersyon [kapag hiniling](https://broadrouter.com/fil/models/#on-request). Sakop ng $5 na panimulang credit ang mga 1,190 minuto, sapat para sa buong test sa itaas; ginagawang buwanang bill ng [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ang volume mo sa production. [Gumawa ng key](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-dialect-speech-recognition&utm_content=body) para magsimula.

Hindi naglalathala ang BroadNet ng hiwalay na WER figure para sa bawat grupo ng dialect. Iyan mismo ang dahilan kung bakit dapat mong patakbuhin ang test na ito: iisang numero lang ang figure nito sa dialect set, at isa o dalawang dialect lang ang sinasalita ng mga customer mo, hindi lahat.

Mga libreng tool para rito (Ingles)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/)

Ang Modern Standard Arabic (MSA) ay ang standardized na anyo ng Arabic na ginagamit sa pagsulat, balita, edukasyon at pormal na pananalita sa buong mundong Arabo. Hindi ito katutubong pang-araw-araw na wika ninuman: mga rehiyonal na dialect gaya ng Egyptian o Gulf Arabic ang sinasalita, at lumilipat sa MSA sa pormal na sitwasyon.

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Word error rate (WER)](https://broadrouter.com/fil/glossary/word-error-rate/)

Ang word error rate (WER) ay ang karaniwang sukatan ng accuracy sa speech recognition: ang bilang ng substitution, deletion at insertion ng salita na kailangan para gawing tamang reference ang isang transcript, hinati sa bilang ng salita sa reference. Mas mababa, mas maganda.

[Dialectal Arabic (mga dialect ng Arabic)](https://broadrouter.com/fil/glossary/dialectal-arabic/)

Ang dialectal Arabic ay ang pang-araw-araw na sinasalitang Arabic ng isang rehiyon o lungsod, gaya ng Egyptian, Gulf, Levantine o Maghrebi Arabic. Naiiba ang mga dialect sa Modern Standard Arabic sa tunog, salita at grammar, walang standard na spelling, at lalong isinusulat online, kaya mas mahirap ang mga ito para sa mga language model.

[Code-switching](https://broadrouter.com/fil/glossary/code-switching/)

Ang code-switching ay ang paggamit ng dalawa o higit pang wika, o ng mga variety ng iisang wika, sa iisang usapan o pangungusap, sa pagsasalita man o pagsulat. Halimbawa nito ang mga nagsasalita ng Arabic na naghahalo ng English sa dialect, o nagpapalipat-lipat sa Modern Standard Arabic at sa dialect nila.

[Character error rate (CER)](https://broadrouter.com/fil/glossary/character-error-rate/)

Sinusukat ng character error rate (CER) ang accuracy ng transcription o OCR sa antas ng character: ang mga substitution, deletion at insertion na kailangan para maging reference text ang output, hinati sa bilang ng character sa reference. Mas mababa, mas maganda, at 0 ang perpektong match.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

## Mga tanong

### Aling Arabic dialect ang pinakamahirap para sa speech recognition?

Walang iisang ranggo; nakadepende ito sa training data ng model. Kadalasang mahirap ang mga Maghrebi dialect gaya ng Moroccan at Algerian dahil sila ang pinakamalayo sa Modern Standard Arabic at may halong French. I-test ang sarili mong dialect sa halip na umasa sa pangkalahatang ranggo.

### Naiintindihan ba ng speech-to-text ang Egyptian Arabic?

Kadalasan mas mahusay kaysa sa mga bihirang dialect, dahil malawak na ginagamit ang Egyptian sa media, pero asahan na mas mababa ang accuracy kaysa sa formal Arabic. Sukatin ito sa sarili mong mga recording.

### WER o CER ba ang dapat kong gamitin para sa Arabic?

Gamitin ang dalawa. Buong salita ang binibilang ng WER, kaya kapag mali ang prefix o clitic, mali ang buong salita. Character ang binibilang ng CER at mas mapagpatawad ito sa pagkakaiba ng spelling, na mahalaga sa mga dialect na walang standard na spelling.

### Ilang audio clip ang kailangan ko para i-test ang isang Arabic ASR provider?

Mga 30 hanggang 50 totoong clip kada dialect, at hindi bababa sa 10 kada dialect ang mano-manong tina-transcribe bilang reference. Sapat iyon para makita ang malalaking pagkakaiba ng mga provider.

### Mahalaga ba ang language code para sa mga Arabic dialect?

Ipadala ang language=ar. Iisang ar code ang gamit ng mga dialect sa karamihan ng API. Kung wala ito, may mga model na nagbabalik ng Arabic speech na naka-transliterate sa Latin na letra.

## Magbasa pa

-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Pagpili ng LLM API para sa Arabic: ano ang dapat i-test](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/)
-   [Alternatibo sa Whisper API: kailan lilipat, at paano ito i-test](https://broadrouter.com/fil/blog/whisper-api-alternative/)
-   [Paano i-transcribe ang call center recording: pipeline para sa Arabic](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/)
-   [Isalin ang Arabic audio sa English gamit ang API: tested na pipeline](https://broadrouter.com/fil/blog/translate-arabic-audio-to-english/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-dialect-speech-recognition&utm_content=page-cta) ·

**Mga source**

-   [Talafha et al., Casablanca: Data and Models for Multidialectal Arabic Speech Recognition (EMNLP 2024; sinuri noong 2026-11-14)](https://aclanthology.org/2024.emnlp-main.1211)
-   [Wang, Alhmoud at Alqurishi, Open Universal Arabic ASR Leaderboard (Interspeech 2025; arXiv 2412.13788; sinuri noong 2026-11-14)](https://arxiv.org/abs/2412.13788)
-   [Dialectal Coverage and Generalization in Arabic Speech Recognition (arXiv 2411.05872; sinuri noong 2026-11-14)](https://arxiv.org/abs/2411.05872)
-   [Open Universal Arabic ASR Leaderboard, Hugging Face Space (sinuri noong 2026-11-14)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Model catalogue ng BroadNet, speech-to-text: WER ayon sa ulat ng BroadNet (sinuri noong 2026-11-14) (Ingles)](https://www.broadnet.ai/inference/models)
