BroadRouter
Magsimula

Modern Standard Arabic (MSA)

Na-update

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.

Tinatawag ding: Modern Standard Arabic, MSA, Fusha, Fus'ha, Standard Arabic, al-fusha, pormal na Arabic

Kapag sinabing “marunong ng Arabic” ang isang AI model, kadalasan ang ibig sabihin ay kaya nito ang Modern Standard Arabic. Hiwalay na pagsubok ang mga dialect.

Paano ito gumagana

Pamilya ng mga variety ang Arabic. Diretsahan ito sa MADAR paper (Bouamor et al., 2018): ang MSA ay “the shared language of culture, media, and education from Morocco to Oman” (Salin ng BroadRouter: “ang pinagsasaluhang wika ng kultura, media at edukasyon mula Morocco hanggang Oman”), pero “is not the native language of any speaker of Arabic” (Salin ng BroadRouter: “hindi ito katutubong wika ng sinumang nagsasalita ng Arabic”). Nakapangkat ang mga dialect ayon sa rehiyon bilang Egyptian, North African, Levantine, Gulf at Yemeni, at ayon sa sub-rehiyon bilang Tunisian, Lebanese, Kuwaiti, Qatari at iba pa. Sakop mismo ng MADAR ang 25 city dialect bukod sa MSA.

Sa praktika, naghahalo ang dalawa. Sa mga hindi naka-script na sitwasyon kung saan inaasahan ang MSA, gaya ng TV talk show, palipat-lipat ang mga nagsasalita sa MSA at sa kanilang dialect. Iyan ang code-switching, at nakita ng 2014 code-switching shared task na ang MSA laban sa dialect ang pinakamahirap paghiwalayin sa antas ng salita, mas mahirap pa kaysa Spanish-English o Nepali-English.

MSA Mga dialect
Saan balita, libro, paaralan, kontrata, pormal na pananalita bahay, kalye, tawag sa phone, voice note, chat
Spelling standard walang tiyak na spelling; madalas tina-type bilang Arabizi
Training data malalaking nakasulat na corpus mas kaunti, hindi pantay ang hati kada rehiyon

Bakit ito mahalaga

  • Kalidad ng LLM. Puwedeng magaling sumulat ng MSA ang isang model pero hindi pa rin makuha ang slang ng Gulf o Maghreb. Mag-test gamit ang dialect na sinasalita ng mga user mo.
  • Accuracy ng speech-to-text. Maraming test set ang binasang speech o broadcast, samantalang puwedeng mga dialect na voice note ang audio mo. Humingi ng word error rate kada variety, hindi iisang numero para sa Arabic, at mag-test sa sarili mong recordings.
  • Gastos sa token. Sa aming tokenizer dataset, sa Qwen3.8 27B, 1.31× ng mga token ng parehong mga pangungusap sa English ang kinailangan ng Modern Standard Arabic (2,009 na FLORES-200 sentence), at 1.21× naman ang Gulf Arabic (maliit na set na 49 na Tatoeba sentence, kaya magaspang na tantiya lang). Gamitin ang Arabic token counter sa sarili mong text.

Sa BroadNet Inference

Ayon sa BroadNet, sinubok nila ang Qwen3.8 27B para sa mahusay na pagsulat ng Arabic, at naiintindihan nito ang mga dialect ng Gulf at Egypt. Nakalista ang BroadNet Transcribe Arabic para sa Arabic kasama ang mga dialect. Para sa audio na MSA man o dialect, ipadala ang language=ar; nagbababala ang docs ng BroadNet na kapag wala ito, puwedeng bumalik ang Arabic sa Latin na letra. Ipinapaliwanag ng artikulo tungkol sa dialect speech recognition kung paano mag-test sa sarili mong recordings.

Mga tanong

Anong language code ang ipapadala ko para sa audio na dialect?

Ipadala ang ar. Sinasabi ng docs ng BroadNet na language=ar ang ipadala para sa Arabic, at nakalista ang BroadNet Transcribe Arabic para sa Arabic kasama ang mga dialect, kaya walang hiwalay na code kada dialect.

Naiintindihan ba ng mga nagsasalita ng Arabic ang MSA?

Nababasa at naiintindihan ito ng mga nakapag-aral, dahil ito ang wika ng paaralan, libro at balita. Sa araw-araw na usapan, dialect nila ang ginagamit nila.

Anong language code ang MSA?

Nakalista sa ISO 639-3 ang Standard Arabic bilang arb, bahagi ng Arabic macrolanguage na ara. Kadalasang tumatanggap ang mga speech API ng two-letter code na ar para sa lahat ng Arabic.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity