Le speech-to-text peine sur les dialectes arabes, car ils diffèrent de l’arabe standard moderne (MSA, Modern Standard Arabic) par les sons, les mots et l’orthographe, et les locuteurs y mêlent l’anglais ou le français. Pour savoir ce que vaut un fournisseur, constituez un petit jeu de test par dialecte à partir de votre audio réel et évaluez chaque dialecte séparément.
Un appelant de Riyad, une note vocale du Caire et un appel au support depuis Casablanca relèvent tous de « l’arabe », et un même modèle peut traiter très bien le premier et mal le troisième.
Cet article explique ce qui rend chaque grand groupe de dialectes difficile pour la reconnaissance vocale, et comment construire un test qui montre ce qu’un fournisseur donnera sur vos dialectes. Pour la checklist d’achat plus large (prix, limites, confidentialité), voyez le guide d’achat d’une API speech-to-text pour l’arabe.
Pourquoi les dialectes arabes sont-ils difficiles pour la reconnaissance vocale ?
Quatre problèmes s’additionnent :
- Des sons différents. Une même lettre se prononce différemment selon la région : le modèle acoustique doit donc associer plusieurs sons à une seule graphie.
- Des mots différents. Les mots du quotidien varient selon le dialecte. Un modèle entraîné surtout sur le MSA peut « corriger » un mot dialectal en son équivalent formel, ce qui compte comme une erreur si votre référence est verbatim.
- Pas d’orthographe standard. Les dialectes s’écrivent de manière informelle, si bien que deux transcripteurs humains ne sont pas d’accord. Les données d’entraînement sont, elles aussi, inégales : une étude de 2024 sur la couverture dialectale note que les systèmes d’ASR existants « mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects » (traduction : « couvrent principalement la variété arabe standard moderne (MSA) et quelques dialectes bien dotés en ressources ») (arXiv 2411.05872).
- L’alternance codique. Les locuteurs passent à l’anglais ou au français en pleine phrase. Le jeu de données Casablanca, qui couvre huit dialectes, annote l’alternance codique en plus du dialecte et du genre.
L’article de l’Open Universal Arabic ASR Leaderboard (Interspeech 2025) évalue des modèles open source sur plusieurs jeux de test multidialectaux précisément pour cette raison : un score unique pour « l’arabe » masque la dispersion.
Où chaque dialecte arabe met-il la reconnaissance vocale en difficulté ?
| Groupe de dialectes | Où | Points faibles typiques de l’ASR |
|---|---|---|
| Golfe (khaleeji) | Arabie saoudite, Émirats arabes unis, Koweït, Qatar, Bahreïn, Oman | Noms de produits, nombres et termes de marque en anglais ; prononciation régionale du qaf et du kaf |
| Égyptien | Égypte | Jim prononcé comme un g dur ; qaf souvent réalisé en coup de glotte ; très présent dans les médias, donc généralement mieux connu des modèles |
| Levantin | Syrie, Liban, Jordanie, Palestine | Qaf urbain réalisé en coup de glotte ; français ou anglais intégré, surtout au Liban |
| Maghrébin (darija) | Maroc, Algérie, Tunisie, Libye | Le plus éloigné du MSA ; voyelles brèves élidées ; forte alternance avec le français ; emprunts à l’amazigh |
| Irakien | Irak | Vocabulaire et prononciation propres ; moins d’audio d’entraînement public |
Ce sont des tendances, pas des règles. Le parler urbain et le parler rural diffèrent au sein de chaque groupe, et les jeunes alternent davantage les langues. L’essentiel : chaque groupe échoue à sa manière, donc vous évaluez chaque groupe séparément.
Comment constituer un jeu de test pour les dialectes arabes ?
1. Échantillonner de l’audio réel par dialecte
Prélevez 30 à 50 extraits par dialecte sur le canal que vous exploiterez en production : appels téléphoniques, notes vocales WhatsApp, enregistrements de réunions. L’audio téléphonique en 8 kHz ne se comporte pas comme l’audio de studio. Étiquetez chaque extrait avec son dialecte et marquez ceux qui contiennent de l’anglais ou du français.
2. Convenir d’abord d’une convention d’orthographe
Avant que quiconque écrive une référence, décidez :
- Dialecte verbatim (écrire ce qui a été dit, en orthographe dialectale), ou
- Normalisé (ramener à une forme cohérente).
Consignez ce choix par écrit, avec des exemples. Si les références sont verbatim et que le modèle produit des mots proches du MSA, le WER paraîtra catastrophique même quand le sens est juste. Aucun choix n’est mauvais. Il doit correspondre à ce dont votre système en aval a besoin.
3. Rédiger des références pour 10 extraits par dialecte
Faites-les transcrire par des locuteurs natifs du dialecte concerné. Pour les extraits avec alternance codique, décidez si les mots anglais restent en écriture latine, et appliquez-le partout.
4. Normaliser les deux côtés, puis mesurer
Supprimez les diacritiques, unifiez les formes de l’alef (إ أ آ vers ا) et du ya final (ى vers ي), retirez la ponctuation et convertissez les chiffres arabes orientaux en chiffres occidentaux. Calculez ensuite :
| Métrique | Pourquoi |
|---|---|
| WER par dialecte | La mesure de référence ; stricte sur les clitiques et les préfixes |
| CER par dialecte | Plus tolérant envers les variantes orthographiques |
| Exactitude des entités | Part des nombres, dates et noms transcrits exactement |
| WER du groupe à alternance codique | Montre si les mots anglais ou français survivent |
Le paquet jiwer calcule le WER et le CER ; le WER en arabe expliqué fournit une fonction de normalisation réutilisable et un exemple chiffré de son effet sur le score.
5. Lire les transcriptions
Les nombres décident si un workflow de centre d’appels ou de banque fonctionne. Lisez 20 transcriptions par dialecte et vérifiez à la main chaque nombre, chaque date et chaque nom.
Que disent les WER publiés pour l’arabe ?
Les benchmarks publics donnent une direction, pas une promesse. BroadNet publie trois valeurs de WER pour BroadNet Transcribe Arabic dans son catalogue de modèles : 3,8 sur FLEURS-ar (parole lue, propre), 21,1 sur MASC-ar (parole réelle, variée) et 23,4 sur son propre jeu dialectal. Pour un même modèle, c’est un écart d’un facteur six entre parole lue et parole dialectale : voilà pourquoi vous testez sur vos propres dialectes.
Quand vous comparez des fournisseurs, comparez-les sur le même jeu de test. Un classement comme l’Open Universal Arabic ASR Leaderboard est utile parce que chaque modèle y est évalué de la même façon. Le chiffre d’un fournisseur sur son propre jeu n’est pas comparable à celui d’un autre fournisseur.
Quel LLM doit lire les transcriptions dialectales ?
Les transcriptions alimentent en général un LLM : pour résumer un appel, router un ticket ou répondre à une question. Ce modèle doit lui aussi lire le dialecte. Notre guide pour choisir un LLM pour l’arabe explique comment le tester, et Qwen3.8 27B est le modèle que BroadNet a testé sur les dialectes du Golfe et égyptien.
La place de BroadNet Inference
BroadNet Transcribe Arabic est conçu pour l’arabe, dialectes compris, et coûte $0.0042 la minute ($0.25 de l’heure). Son classement sur l’Open Universal Arabic ASR Leaderboard, selon BroadNet : #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026), et n° 1 parmi les modèles dont la licence autorise le service via une API. Pour les nombres, dates et noms dans un audio bruité, BroadNet propose une version affinée sur demande. Le crédit de départ de $5 couvre environ 1,190 minutes, assez pour tout le test ci-dessus ; le calculateur de coût speech-to-text convertit votre volume de production en facture mensuelle. Créez une clé pour commencer.
BroadNet ne publie pas de WER distinct par groupe de dialectes. C’est précisément pour cela qu’il faut faire ce test : son chiffre sur le jeu dialectal est un nombre unique, et vos clients parlent un ou deux dialectes, pas tous.
