---
title: "Arabic dialect at LLM: Gulf, Egyptian, Levantine | BroadRouter"
description: "Paano hinaharap ng LLM ang Gulf, Egyptian at Levantine Arabic: saan pumapalya, paano mag-prompt at mag-test, at ang ulat ng BroadNet sa Qwen3.8 27B."
url: https://broadrouter.com/fil/blog/arabic-llm-gulf-egyptian-dialects/
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-llm-gulf-egyptian-dialects/) (na-update noong 2026-11-14).

# Gulf, Egyptian at Levantine Arabic: paano hinaharap ng LLM ang dialect

Ng BroadNet Inference team · 6 minutong basa · Nailathala 2026-11-14

Hindi pantay ang husay ng mga LLM sa Arabic dialect: kadalasan mas naiintindihan nila ang Egyptian at Gulf Arabic kaysa sa naisusulat nila ito, at bumababa ang kalidad sa mga bihirang dialect. I-test nang hiwalay ang pag-unawa at pagsulat sa sarili mong mga mensahe. Sa sariling test ng BroadNet, naintindihan ng Qwen3.8 27B ang Gulf at Egyptian at sumulat ito ng maayos na Arabic. $0.175 ito kada 1M input token.

## Mga pangunahing punto

-   Magkaibang kasanayan ang pag-unawa sa dialect at ang mahusay na pagsulat nito. I-score nang hiwalay.
-   Ayon sa BroadNet, naintindihan ng Qwen3.8 27B ang Gulf at Egyptian na dialect sa mga test nito. Walang inilalathalang Levantine na resulta ang BroadNet, kaya ikaw mismo ang mag-test ng Levantine.
-   Para sa karamihan ng produktong humaharap sa customer, sumagot sa simpleng Modern Standard Arabic kahit naka-dialect ang sulat ng customer.
-   Pangalanan ang dialect, bansa at register sa system prompt. Hindi sapat ang "Reply in Arabic".
-   Bumuo ng maliit na test set kada dialect mula sa totoo at anonymised na mga mensahe bago pumili ng model.

**Sa page na ito**

1.  Gaano ba talaga kalaki ang pagkakaiba ng mga dialect?
2.  Saan pumapalya ang mga LLM sa mga Arabic dialect?
3.  Ano ang sinubukan ng BroadNet sa mga Arabic dialect?
4.  Paano mag-prompt sa LLM para sa partikular na dialect?
5.  Dapat ka bang sumagot sa dialect?
6.  Paano i-test ang paghawak ng dialect sa loob ng isang araw?
7.  Paano naman ang dialect sa mga voice note?

Kadalasan mas naiintindihan ng mga LLM ang Gulf at Egyptian Arabic kaysa sa naisusulat nila ito, at mas mahina sila sa mga bihirang dialect. Ang isang customer sa Riyadh, isa sa Cairo at isa sa Beirut ay puwedeng magtanong ng “ano’ng gusto mo?” sa tatlong magkakaibang pangungusap, at puwede pa rin silang mabasa nang mali ng model na mahusay sa Modern Standard Arabic (MSA). I-test nang hiwalay ang pag-unawa at pagsulat.

Tinatalakay ng post na ito kung ano ang nagbabago sa pagitan ng malalaking grupo ng dialect, saan karaniwang pumapalya ang mga LLM, at paano i-test ang isang model bago mo ito pagkatiwalaan sa totoong mga customer.

## Gaano ba talaga kalaki ang pagkakaiba ng mga dialect?

Napakalaki sa pang-araw-araw na salita, mas malapit sa pormal na bokabularyo. Ipinapakita ng mga research corpus ang laki nito: isinalin ng [MADAR corpus](https://aclanthology.org/L18-1535/) ang parehong mga pangungusap tungkol sa paglalakbay sa mga dialect ng 25 lungsod na Arab. Ipinapakita ng table ang ilang karaniwang parirala. Ang MSA column ang ipi-print ng isang textbook; ang iba ay mga karaniwang anyo sa pagsasalita at pagte-text. Iba-iba ang spelling kada tao, at bahagi iyon ng problema.

| Kahulugan | MSA | Gulf (Saudi / Emirati) | Egyptian | Levantine |
| --- | --- | --- | --- | --- |
| Ano’ng gusto mo? | ماذا تريد؟ | وش تبي؟ / شو تبي؟ | عايز إيه؟ | شو بدّك؟ |
| Kumusta ka? | كيف حالك؟ | شلونك؟ | إزيك؟ | كيفك؟ |
| ngayon | الآن | الحين | دلوقتي | هلّق |
| Hindi ko alam | لا أعرف | ما أدري | مش عارف | ما بعرف |
| napaka / marami | جداً | وايد | أوي | كتير |

Tatlong pattern ang mahalaga para sa mga LLM:

-   **Nagbabago ang mga function word.** Lubos na magkakaiba sa bawat dialect ang mga salitang pananong, negasyon at “gusto”. Maiikli at madalas na salita ang mga ito na nagpapasya sa kahulugan ng pangungusap, kaya kapag mali ang basa sa isa, bumabaligtad ang intent.
-   **Hindi standard ang spelling.** Kadalasang binibigkas ang mga dialect, kaya isinusulat ito ng mga tao ayon sa tunog. Puwedeng lumabas ang iisang salita sa ibang mga letra, may hamza o wala, o sa Latin na script ([Arabizi](https://broadrouter.com/fil/blog/arabizi-llm-handling/)).
-   **Normal ang [code-switching](https://broadrouter.com/fil/glossary/code-switching/).** Hinahaluan ng English na pangalan ng produkto ang mga business message sa Gulf; French naman ang hinahalo ng mga nagsasalita ng Levantine at Maghrebi. Kailangang kayanin ng model ang dalawang script sa iisang pangungusap.

## Saan pumapalya ang mga LLM sa mga Arabic dialect?

Natututo ang mga model sa text na nakikita nila, at mas kaunti nang malaki ang pampublikong text para sa maliliit na dialect gaya ng Emirati o Sudanese kaysa sa Modern Standard Arabic. Sa praktika, lumalabas iyon bilang ilang paulit-ulit na error:

1.  **Pagbasa sa dialect na salita bilang ibang MSA na salita.** Ang Gulf na “أبي” (gusto ko) ay mukhang MSA na “أبي” (ang aking ama). Kadalasang nalulutas ito ng context, pero minsan hindi sa maliliit na model.
2.  **Pagsagot sa maling intent.** Ang maikling Egyptian na reklamo gaya ng “الطلب لسه موصلش” (hindi pa rin dumarating ang order) ay nangangailangan na alam ng model na “pa rin” ang ibig sabihin ng “لسه” at negated verb ang “موصلش”.
3.  **Pagsulat ng halo-halong dialect.** Kapag pinasagot “in Gulf Arabic”, gumagawa ang mas mahihinang model ng halo ng Egyptian, Levantine at MSA na hindi isusulat ng sinumang native speaker. Mas karaniwan ito kaysa sa maling pag-unawa.
4.  **Sobrang pagtatama.** May mga model na “inaayos” papunta sa MSA ang dialect ng customer kahit pinasipi mo ito, na sumisira sa mga extraction task.

Ang pangkalahatang patakaran: **mas naiintindihan ng mga model ang dialect kaysa sa naisusulat nila ito.** Iplano ang produkto mo batay doon.

## Ano ang sinubukan ng BroadNet sa mga Arabic dialect?

Inilalathala ng BroadNet ang sarili nitong Arabic check sa [pricing page](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-llm-gulf-egyptian-dialects&utm_content=body) nito. Para sa [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/), iniuulat nito ang:

-   maayos na pagsulat sa Arabic,
-   naiintindihan ang Gulf at Egyptian na dialect,
-   tumpak na Arabic–English na salin.

Iyan ang sinasabi ng BroadNet, at wala nang iba. Wala itong inilalathalang Levantine, Iraqi o Maghrebi na resulta, at walang inilalathalang score sa pagsulat ng dialect. Kung mahalaga sa iyo ang mga Levantine na customer, ikaw mismo ang mag-test gamit ang paraan sa ibaba.

Tumatanggap ang Qwen3.8 27B ng text at larawan, sumusuporta sa tools at structured output, nagre-reason bago sumagot at may 262,144-token na context. Kada 1M token, $0.175 ito para sa input at $2.17 para sa output. Ikumpara ang ibang chat model sa [pricing page](https://broadrouter.com/fil/pricing/), at tingnan ang [pagpili ng LLM API para sa Arabic](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/) para sa mas malawak na checklist na sumasaklaw din sa pagsulat, pagsasalin at mga dokumento.

## Paano mag-prompt sa LLM para sa partikular na dialect?

Sabihin kung aling dialect ang inaasahan mo, alin ang gusto mong ibalik at gaano kapormal. Isang system prompt na gumagana nang maayos para sa inbox ng Saudi na retail:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

system = (
    "You are a customer-service assistant for a Saudi online store. "
    "Customers write in Gulf Arabic (often Saudi), MSA, English or Arabizi. "
    "Understand all of them. Reply in simple, polite Modern Standard Arabic, "
    "in two or three short sentences. If the customer writes in English, reply in English. "
    "Never invent order details."
)

response = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,  # the model reasons first; leave room for the answer
    messages=[
        {"role": "system", "content": system},
        {"role": "user", "content": "السلام عليكم، طلبي للحين ما وصل، وش السالفة؟"},
    ],
)
print(response.choices[0].message.content)
```

Gulf Arabic ang mensahe ng customer: “Hello, my order still hasn’t arrived, what’s going on?” (Hello, hindi pa rin dumarating ang order ko, ano’ng nangyayari?). Mga Gulf na anyo ang “للحين” (pa rin) at “وش السالفة” (ano’ng kuwento / ano’ng nangyayari). Kinikilala ng mahusay na reply ang pagkaantala sa MSA at hinihingi ang order number.

Ilan pang nakakatulong na gawi sa prompt:

-   **Pangalanan ang bansa, hindi lang ang rehiyon.** Sakop ng “Gulf Arabic” ang pananalita sa Saudi, Emirati, Kuwaiti, Qatari, Bahraini at Omani, na magkakaiba. Kung alam mo ang market, sabihin ito.
-   **Humingi ng dialect label sa mga extraction task.** Para sa routing o analytics, ipabalik sa model ang `{"dialect": "gulf" | "egyptian" | "levantine" | "msa" | "other", "intent": ...}` gamit ang [structured output](https://broadrouter.com/fil/blog/structured-output-json-schema/). Murang paraan ito para makilala kung sino ang mga customer mo.
-   **Panatilihin sa iisang wika ang mga instruction.** Gumagana nang maayos sa karamihan ng model ang English na instruction na may Arabic na nilalaman. Gumagana rin ang Arabic na instruction; kapag pinaghalo ang dalawa sa iisang system prompt, kadalasang lumalabo ang register. Higit pa rito sa [Arabic prompt engineering](https://broadrouter.com/fil/blog/arabic-prompt-engineering/).

## Dapat ka bang sumagot sa dialect?

Para sa karamihan ng negosyo, hindi. Naiintindihan ng bawat Arabic reader ang simpleng MSA (minsang tinatawag na “white” o neutral na Arabic), mukha itong propesyonal at naiiwasan ang panganib ng reply na parang galing sa maling bansa. Makatuwiran ang dialect na reply para sa mga impormal na brand, marketing copy na isinulat para sa iisang market, at mga voice product kung saan matigas pakinggan ang MSA. Kung iyan ang pipiliin mo, ipasuri linggo-linggo ang isang sample ng output sa mga native speaker ng mismong dialect na iyon.

## Paano i-test ang paghawak ng dialect sa loob ng isang araw?

1.  **Mangolekta ng totoong mensahe.** Kumuha ng 30 hanggang 50 anonymised na mensahe kada dialect mula sa inbox, chat log o [na-transcribe na voice note](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/). Tanggalin ang mga pangalan, phone number at order number.
2.  **Lagyan ng label ang intent.** Para sa bawat mensahe, isulat ang tamang intent at ang anumang fact na dapat kunin ng model (order number, produkto, petsa).
3.  **I-test ang pag-unawa.** Ipabalik sa bawat kandidatong model ang intent at mga field bilang JSON. I-score ang mga exact match. Ito ang numerong nagpapasya kung gumagana ang routing.
4.  **I-test ang pagsulat.** Para sa sampung mensahe kada dialect, humingi ng reply. Ipa-grade sa isang native speaker ang bawat reply mula 1–3 sa tama, tono at pagiging natural. Huwag mag-grade ng dialect na hindi mo sinasalita.
5.  **Suriin ang gastos at bilis.** I-record ang `usage.prompt_tokens`, `usage.completion_tokens` at latency kada call. Puwedeng iba ang pag-tokenise ng dialect na text kaysa sa MSA, kaya sukatin sa halip na hulaan; nagbibigay ng mabilis na unang tantiya ang libreng [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/).
6.  **Ulitin para sa bawat model.** Patakbuhin ang parehong set sa [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/), [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) at [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/). Iisang OpenAI-compatible API ang gamit ng tatlo, kaya model id lang ang nagbabago.

Gumagana ang Qwen3.8 27B, DeepSeek V4.1 Flash at GLM 5.3 pagkatapos ng top-up; sa mga chat model, ang [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) lang ang sakop ng libreng $5 na panimulang credit, at sulit itong idagdag bilang murang baseline. Kadalasang kapaki-pakinabang na resulta ang hating setup: isang model para sa pag-unawa at routing, at mga reply na isinusulat sa MSA.

## Paano naman ang dialect sa mga voice note?

Kung nagpapadala ng voice note ang mga customer mo, mas maaga nagsisimula ang paghawak ng dialect, sa speech-to-text. Puwedeng mali ang dinig ng transcription model sa isang dialect na salita bago pa ito makita ng LLM. Iniuulat ng BroadNet ang dialect na [word error rate](https://broadrouter.com/fil/glossary/word-error-rate/) na 23.4 para sa [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/), laban sa 3.8 sa binasang speech ng FLEURS; tingnan ang [Arabic WER, ipinaliwanag](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/) para sa ibig sabihin ng mga numerong iyon. I-test ang buong kadena, mula voice note hanggang reply, hindi ang bawat piraso nang mag-isa.

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.

[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.

[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.

[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.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

[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.

[Structured output](https://broadrouter.com/fil/glossary/structured-output/)

Ang structured output ay feature ng LLM API na naglilimita sa sagot ng model sa format na itinakda ng developer, kadalasang JSON Schema, para maaasahang ma-parse ito ng code. Mas mahigpit ito kaysa sa JSON mode, na gumagarantiya ng valid na JSON pero hindi ng partikular na hugis.

[System prompt](https://broadrouter.com/fil/glossary/system-prompt/)

Ang system prompt ay ang instruction na ipinapadala ng isang application sa language model bago ang usapan, kadalasan bilang mensaheng may system o developer role. Itinatakda nito ang role, mga patakaran, tono at format ng output ng model, at dapat itong sundin ng model kahit salungat ang mensahe ng user.

## Mga tanong

### Dapat bang sumagot ang chatbot ko sa dialect ng customer?

Kadalasan, hindi bilang default. Naiintindihan kahit saan ang simpleng Modern Standard Arabic at mukha itong propesyonal. Gumamit lang ng dialect na reply kung saan hinihingi ito ng brand voice mo, at pagkatapos lang masuri ng mga native speaker ang output.

### Aling BroadNet model ang sinubukan ng BroadNet sa mga Arabic dialect?

Ang Qwen3.8 27B. Ayon sa BroadNet, maayos itong sumulat sa Arabic, naiintindihan ang Gulf at Egyptian na dialect, at tumpak ang Arabic–English na salin nito. Wala itong inilalathalang Levantine o Maghrebi na resulta.

### Ilang test message ang kailangan ko kada dialect?

Sapat na ang tatlumpu hanggang limampung totoong mensahe kada dialect para makita ang malinaw na pagkakaiba ng mga model. Magdagdag pa para sa dialect na ginagamit ng karamihan ng customer mo.

### Mas maraming token ba ang mga mensaheng naka-dialect?

Posible. Nakadepende ang bilang ng token sa tokenizer at sa spelling, at madalas hindi standard ang spelling ng dialect na text. Mag-paste ng mga sample sa token counter at kumpirmahin gamit ang prompt\_tokens sa sarili mong mga mensahe sa halip na manghula.

### Naiintindihan ba ng LLM ang Egyptian Arabic?

Madalas, pero suriin ito sa sarili mong mga mensahe. Ayon sa BroadNet, naintindihan ng Qwen3.8 27B ang Egyptian at Gulf Arabic sa mga test nito; iba-iba ang ibang model. Kadalasan mas hindi maaasahan ang pagsulat ng dialect kaysa sa pagbasa nito, kaya i-score nang hiwalay ang intent accuracy at kalidad ng reply sa 30 hanggang 50 totoong mensahe.

## Magbasa pa

-   [Pagpili ng LLM API para sa Arabic: ano ang dapat i-test](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/)
-   [Arabic prompt engineering: register, RTL, numeral at halo-halong text](https://broadrouter.com/fil/blog/arabic-prompt-engineering/)
-   [Arabizi at LLM: paghawak ng Franco-Arabic na may numerong 3 at 7](https://broadrouter.com/fil/blog/arabizi-llm-handling/)
-   [Arabic ASR word error rate (WER), ipinaliwanag](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/)
-   [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: Basahin ang mga Arabic na invoice at resibo gamit ang vision model](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/)
-   [Gabay: Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)

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-llm-gulf-egyptian-dialects&utm_content=page-cta) ·

**Mga source**

-   [Pricing page ng BroadNet Inference, "Tested in Arabic" na note ng Qwen3.8 27B (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-llm-gulf-egyptian-dialects&utm_content=sources)
-   [Machine-readable na presyo ng BroadNet Inference, pricing.json (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-llm-gulf-egyptian-dialects&utm_content=sources)
-   [Model catalogue ng BroadNet, mga WER figure ng Cohere Transcribe Arabic ayon sa ulat ng BroadNet (sinuri noong 2026-11-14) (Ingles)](https://www.broadnet.ai/inference/models)
-   [Bouamor et al., The MADAR Arabic Dialect Corpus and Lexicon (LREC 2018; sinuri noong 2026-11-14)](https://aclanthology.org/L18-1535/)
-   [Varieties of Arabic, pangkalahatang-ideya (sinuri noong 2026-11-14)](https://en.wikipedia.org/wiki/Varieties_of_Arabic)
