L’arabizi, aussi appelé franco-arabe ou « franco », est de l’arabe écrit en lettres latines, avec des chiffres pour les sons que l’alphabet latin n’a pas, comme 3 pour ع et 7 pour ح. Pour le traiter avec un LLM, détectez-le, faites-le convertir par le modèle en écriture arabe en nommant le dialecte, et faites tourner le reste de votre pipeline sur le texte arabe.
« ana 3ayez a7gez ma3ad bokra » est un message client ordinaire en Égypte : « أنا عايز أحجز ميعاد بكرة » (je voudrais prendre rendez-vous demain). L’arabizi est né sur des téléphones et des ordinateurs sans clavier arabe, et on le trouve encore dans les messageries.
Quels chiffres remplacent quelles lettres arabes ?
Il n’existe pas de norme, mais on utilise des chiffres pour les lettres arabes qui leur ressemblent ou n’ont pas d’équivalent latin. La vue d’ensemble de l’alphabet de chat arabe recense les conventions courantes :
| Chiffre | Lettre arabe | Exemple | Écriture arabe | Sens |
|---|---|---|---|---|
| 2 | ء (hamza) / أ | so2al | سؤال | question |
| 3 | ع | 3arabi | عربي | arabe |
| 3’ ou 8 | غ | 8aly / 3’aly | غالي | cher |
| 5 ou kh | خ | 5alas | خلاص | fini / ça suffit |
| 6 | ط | 6ayeb | طيب | d’accord (Golfe) |
| 7 | ح | 7abibi | حبيبي | mon chéri |
| 9 | ص | 9ba7 | صباح | matin (Golfe) |
| 8 | ق (dans certaines régions) | 8alb | قلب | cœur |
Les habitudes régionales diffèrent. La vue d’ensemble note par exemple que le 8 pour غ n’est utilisé qu’au Liban, alors que 8 et 9 pour ق sont courants en Arabie saoudite ; en arabizi égyptien, le 2 peut représenter ق là où il se prononce comme un coup de glotte. Les voyelles s’écrivent à l’oreille : « ma3lesh », « ma3lsh » et « m3lsh » (معلش, ce n’est pas grave) sont le même mot.
Pourquoi l’arabizi est-il difficile pour les logiciels ?
- C’est presque toujours du dialecte. On écrit l’arabizi comme on parle : il cumule toutes les difficultés des dialectes, sans écriture arabe pour les ancrer.
- Il ressemble à de l’anglais ou du français. « bas » signifie بس (mais / seulement) en arabe et rien en anglais ; « men » est من (de / qui). Les détecteurs de mots-clés et les outils d’identification de langue classent souvent l’arabizi comme de l’anglais ou une autre langue en écriture latine.
- Pas d’orthographe standard. La recherche par correspondance exacte, les règles d’intention et l’analyse ne fonctionnent plus.
- Alternance codique. « el order bta3i lessa ma waslsh, can u check? » mêle arabizi égyptien et anglais dans une même phrase.
Les convertisseurs à base de règles peinent, car une chaîne latine peut correspondre à de nombreuses graphies arabes ; des systèmes de recherche comme les travaux de Darwish sur la détection et la conversion de l’arabizi combinaient extraction de translittérations et modélisation du langage pour choisir le bon mot, et annonçaient 88,7 % de précision de conversion. Les LLM modernes font en pratique la même chose en une étape.
Les LLM gèrent-ils bien l’arabizi ?
Les grands modèles ont vu de l’arabizi dans des textes du web et des réseaux sociaux, et comprennent donc souvent les expressions courantes. Les résultats varient selon le modèle et le dialecte : testez avant de vous y fier. Erreurs typiques :
- Le traiter comme de l’anglais et répondre à un message mal lu.
- Convertir dans le mauvais dialecte, par exemple « transformer » l’égyptien en mots MSA qui changent le ton, ou supposer le Golfe quand l’utilisateur est libanais.
- Écriture de sortie incohérente, en répondant en arabizi à un message et en écriture arabe au suivant.
- Fausse précision sur les noms et les lieux, quand la graphie latine est ambiguë.
Le remède est le même que pour les dialectes en général : dites au modèle à quoi s’attendre et quoi produire.
Comment convertir l’arabizi en écriture arabe avec un LLM ?
Convertissez d’abord l’arabizi en écriture arabe, puis faites tourner le reste de votre pipeline (recherche, routage, réponses) sur le texte arabe. Vous gardez ainsi un seul chemin de code, et la recherche comme l’analyse fonctionnent.
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
NORMALISE = """You receive a customer message that may be in Arabic script, English,
or Arabizi (Arabic written in Latin letters and digits, e.g. 3=ع, 7=ح, 2=ء, 5=خ).
Customers are mostly Egyptian. Return JSON only:
{"script": "arabic" | "arabizi" | "latin_english" | "mixed",
"dialect": "egyptian" | "gulf" | "levantine" | "msa" | "other" | null,
"arabic_text": "<the message in Arabic script, keeping the dialect words; keep English words in Latin letters>",
"english_gloss": "<short English meaning>"}"""
def normalise(message: str) -> dict:
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=1500, # the model reasons first; leave room for the JSON
messages=[{"role": "system", "content": NORMALISE},
{"role": "user", "content": message}],
)
text = r.choices[0].message.content.strip()
text = text.removeprefix("```json").removeprefix("```").removesuffix("```")
return json.loads(text) # validate the fields before you trust them
print(normalise("el order bta3i lessa ma waslsh, can u check?"))
Un bon résultat :
{"script": "mixed", "dialect": "egyptian",
"arabic_text": "الأوردر بتاعي لسه ما وصلش، can u check?",
"english_gloss": "My order still hasn't arrived, can you check?"}
Remarques sur cette conception :
- Garder les mots dialectaux. Demander « the message in Arabic script, keeping the dialect words » (le message en écriture arabe, en gardant les mots dialectaux) évite une réécriture silencieuse en MSA, qui ferait perdre du sens pour le routage et l’analyse de sentiment.
- Garder l’original. Stockez le message brut à côté de la conversion, pour les audits et pour affiner les règles.
- Utiliser un préfiltre peu coûteux. Une vérification simple (lettres latines plus les chiffres 2, 3, 5, 6, 7, 8 ou 9 à l’intérieur des mots, comme dans l’expression régulière ci-dessous) repère la plupart de l’arabizi avant de dépenser un appel au LLM. Les messages purement arabes ou purement anglais peuvent sauter la conversion. Pour une sortie plus stricte, utilisez la sortie structurée avec un schéma.
import re
ARABIZI_HINT = re.compile(r"\b[a-z]*[2356789][a-z]+\b|\b[a-z]+[2356789][a-z]*\b", re.I)
def maybe_arabizi(text: str) -> bool:
return bool(ARABIZI_HINT.search(text)) and not re.search(r"[-ۿ]", text)
L’indice rate l’arabizi sans chiffres (« ana mesh fahem », je ne comprends pas) et se déclenche sur des codes produit comme « a7x » : voyez-le comme un moyen d’économiser, pas comme un classifieur. C’est le champ script du LLM qui tranche.
Dans quelle écriture répondre ?
Décidez par produit, pas par message :
| Répondre en | Quand |
|---|---|
| Écriture arabe (MSA ou dialecte léger) | Choix par défaut pour la plupart des entreprises ; lisible par tous |
| Anglais | Si votre langue de support est l’anglais, ou si le client a surtout écrit en anglais |
| Arabizi | Marques visant les jeunes qui veulent adopter le style du client ; faites relire des échantillons par des locuteurs natifs |
Reproduire automatiquement l’arabizi produit souvent des graphies qui paraissent étranges aux natifs, faute de norme à suivre. Si vous le faites, donnez au modèle des exemples de vos graphies préférées. Plus de détails sur le choix du registre et de l’écriture dans le prompt engineering en arabe.
Quel modèle utiliser pour l’arabizi ?
Réunissez 50 à 100 messages réels en arabizi issus de vos canaux, écrivez pour chacun la version correcte en écriture arabe et l’intention, et notez les modèles candidats d’abord sur la précision de l’intention, puis sur la qualité de conversion. BroadNet indique que Qwen3.8 27B a compris les dialectes du Golfe et égyptien et écrit un arabe fluide lors de ses tests ; il n’a publié aucun résultat propre à l’arabizi, alors testez-le sur vos messages. DeepSeek V4.1 Flash coûte moins cher par token de sortie, et BroadNet Gemma 4 VL 26B est le modèle BroadNet le moins cher pour une étape de préclassification à fort volume. Les prix figurent sur la page de tarifs. L’arabizi en lettres latines et l’écriture arabe se tokenisent différemment : collez les deux versions de quelques messages dans le compteur de tokens gratuit avant d’estimer le coût.
Où rencontre-t-on l’arabizi ?
- WhatsApp et messages privés sur les réseaux sociaux : la source principale. Voyez l’architecture d’un chatbot WhatsApp en arabe.
- Champs de recherche : les utilisateurs tapent « 7agz » (حجز, réservation). Normalisez les requêtes avec la même étape avant la recherche pour le RAG en arabe.
- Pas en sortie de speech-to-text, si vous envoyez la langue. L’arabizi est tapé par des personnes. Si la transcription d’un audio arabe revient en lettres latines, il manque probablement
language=arà la requête ; la documentation de BroadNet prévient que l’arabe peut sinon être translittéré. Voyez le guide des messages vocaux WhatsApp.
