---
title: "Ano ang Arabic diacritics (tashkeel)? Harakat, ipinaliwanag"
description: "Ang Arabic diacritics (tashkeel) ay opsyonal na marka ng patinig at shadda. Ano ang mga Unicode mark, bakit wala sa text, at epekto nito sa LLM, search at token."
url: https://broadrouter.com/fil/glossary/arabic-diacritics/
lang: fil
updated: 2026-11-15
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/glossary/arabic-diacritics/) (na-update noong 2026-11-15).

# Arabic diacritics (tashkeel)

Na-update 2026-11-15

Ang Arabic diacritics, o tashkeel, ay maliliit na markang isinusulat sa itaas o ibaba ng mga titik para ipakita ang maiikling patinig, dobleng katinig at kawalan ng patinig. Opsyonal ang mga ito: wala ang mga ito sa karamihan ng Arabic text, pati sa balita, kaya hinuhulaan ng mambabasa at ng software ang patinig mula sa context.

Tinatawag ding: tashkeel, tashkil, harakat, diacritization, Arabic diacritization, diacritics, vowel marks, marka ng patinig, tuldik sa Arabic

Ang parehong tatlong titik sa Arabic ay puwedeng mangahulugang “sumulat siya”, “mga libro” o “isinulat ito”. Diacritics ang nagpapakita kung alin, at wala ang mga ito sa karamihan ng text.

## Paano ito gumagana

Tinatawag ng Unicode Standard ang mga markang ito na tashkil at sinasabing “may be written as combining marks” (Salin ng BroadRouter: “puwedeng isulat bilang combining marks”), saka idinagdag: “In normal writing, however, these marks are omitted.” (Salin ng BroadRouter: “Sa karaniwang pagsulat, gayunman, hindi isinasama ang mga markang ito.”) Harakat ang tawag sa subset para sa maiikling patinig. Bawat marka ay sariling combining character na sumusunod sa titik na pinapatungan nito. Nasa range na U+064B hanggang U+0652 ang mga pangunahin:

| Code point | Pangalan | Gamit |
| --- | --- | --- |
| U+064E | FATHA | maikling a |
| U+064F | DAMMA | maikling u |
| U+0650 | KASRA | maikling i |
| U+064B hanggang U+064D | FATHATAN, DAMMATAN, KASRATAN | tanween (hulaping -an, -un, -in) |
| U+0651 | SHADDA | dobleng katinig |
| U+0652 | SUKUN | walang patinig |

Isang halimbawa gamit ang salitang كتب na walang marka:

-   كَتَبَ (kataba), “sumulat siya”
-   كُتُب (kutub), “mga libro”
-   كُتِبَ (kutiba), “isinulat ito”

Kapag walang marka, iisang string ang tatlo. Pangungusap ang tinitingnan ng mambabasa para malaman ang kahulugan. Ganoon din ang kailangang gawin ng software, at iyan ang trabaho ng diacritizer. Binuo nina Zerrouki at Balla (2017) ang Tashkeela corpus, mga 75.6 milyong salita na karamihan ay Classical Arabic, dahil bihira ang text na kumpleto ang patinig at kailangan ito ng diacritizer sa training. Iniulat nina Fadel et al. (2019) ang mga neural diacritization model na kapantay o mas mahusay pa sa mga naunang gawa sa isang pampublikong benchmark, at ipinakita nilang nakatutulong ang diacritics sa machine translation.

Iisang set ang turing ng mga library sa mga markang ito. Saklaw ng `AR_DIAC_CHARSET` ng CAMeL Tools ang U+064B hanggang U+0652 kasama ang U+0670 (superscript alef), at tinatanggal ng function nitong `dediac_ar` ang mga ito.

## Bakit ito mahalaga

-   **Search at matching.** Magkaibang string ang parehong salita kapag may marka at kapag wala. Tanggalin ang mga ito sa search key bilang bahagi ng [Arabic text normalization](https://broadrouter.com/fil/glossary/arabic-text-normalization/), kung hindi ay papalya ang exact match.
-   **Token.** Dagdag na character para sa [tokenizer](https://broadrouter.com/fil/glossary/tokenizer/) ang bawat marka. Kapansin-pansing mas maraming token ang text na kumpleto ang patinig kaysa sa text na wala; tingnan ang [gabay sa diacritization](https://broadrouter.com/fil/blog/arabic-diacritization-llm/) para sa mga nasukat na ratio at ang [Arabic tokens per word](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/) para sa baseline.
-   **Speech at evaluation.** Kadalasang walang marka ang mga transcript na bumabalik. I-score ang [word error rate](https://broadrouter.com/fil/glossary/word-error-rate/) pagkatapos tanggalin ang diacritics sa parehong text, kung hindi ay bibilangin bilang error ang tamang salita na may sobrang fatha.
-   **Kailan mo ito kailangan.** Text-to-speech, pagtuturo ng wika, text ng Quran at tula, at mga pangalang malabo kapag walang patinig.

## Sa BroadNet Inference

Walang diacritization endpoint ang BroadNet. Natatanggap ng mga chat model ang tashkeel bilang ordinaryong text sa POST /v1/chat/completions, kaya puwede mong hilingin sa model gaya ng [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) na maglagay o magtanggal ng marka. Ang ligtas na paraan ay suriin ang sagot gamit ang code: tanggalin ang diacritics at ikumpara sa input mo, titik sa titik. Nasa [post tungkol sa LLM diacritization](https://broadrouter.com/fil/blog/arabic-diacritization-llm/) ang prompt at ang check.

Para sa pagtatanggal, huwag nang gumamit ng model. Mas mabilis, libre at eksakto ang maikling regex sa U+064B hanggang U+0652. Makikita sa browser ang epekto gamit ang [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/).

## Mga tanong

### Dapat ko bang tanggalin ang diacritics bago i-index ang Arabic text?

Para sa keyword search, kadalasan oo, pero sa search key lang. Ayon sa mga gumawa ng Tashkeela, hindi pinapansin ng karamihan ng search engine ang diacritics. Itago ang orihinal na text para sa display at para sa LLM.

### Bakit mas maraming token ang Arabic na may diacritics?

Hiwalay na Unicode character ang bawat marka, kaya mas maraming character na hahatiin ng tokenizer sa salitang kumpleto ang patinig. Bilangin ang sarili mong text gamit ang token counter bago at pagkatapos lagyan ng tashkeel.

### Maaasahan ba ang LLM sa paglalagay ng diacritics?

Kaya nitong maglagay, pero puwede rin nitong mabago ang mga titik. Tanggalin ang mga marka sa sagot at ikumpara sa input; i-reject ang anumang sagot na may nabagong titik.

## Tingnan din

-   [Arabic text normalization](https://broadrouter.com/fil/glossary/arabic-text-normalization/) (termino)
-   [Hamza](https://broadrouter.com/fil/glossary/hamza/) (termino)
-   [Unicode normalization](https://broadrouter.com/fil/glossary/unicode-normalization/) (termino)
-   [Tokenizer](https://broadrouter.com/fil/glossary/tokenizer/) (termino)
-   [Word error rate (WER)](https://broadrouter.com/fil/glossary/word-error-rate/) (termino)
-   [Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/) (termino)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/) (artikulo)
-   [Arabic text normalization para sa search at RAG: ano ang babaguhin](https://broadrouter.com/fil/blog/arabic-text-normalization-search/) (artikulo)
-   [Token kada salita sa Arabic vs English: bakit mas mahal ang Arabic](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/) (artikulo)

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-glossary-arabic-diacritics&utm_content=page-cta) ·

**Mga source**

-   [The Unicode Standard 18.0, Chapter 9 Middle East-I, Arabic (tashkil, combining marks) (sinuri noong 2026-11-15)](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-9/)
-   [Fadel, Tuffaha, Al-Jawarneh at Al-Ayyoub, Neural Arabic Text Diacritization: State of the Art Results and a Novel Approach for Machine Translation (WAT 2019, ACL Anthology) (sinuri noong 2026-11-15)](https://aclanthology.org/D19-5229/)
-   [Zerrouki at Balla, Tashkeela: Novel corpus of Arabic vocalized texts (Data in Brief, 2017) (sinuri noong 2026-11-15)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Source code ng CAMeL Tools, camel\_tools.utils.charsets (AR\_DIAC\_CHARSET) (sinuri noong 2026-11-15)](https://raw.githubusercontent.com/CAMeL-Lab/camel_tools/master/camel_tools/utils/charsets.py)
