---
title: "Qu’est-ce que la normalisation du texte arabe ? Règles, RAG"
description: "La normalisation du texte arabe unifie formes d’alif, tatweel et diacritiques pour que recherche, RAG et WER concordent. Règles et limites."
url: https://broadrouter.com/fr/glossary/arabic-text-normalization/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/arabic-text-normalization/) (mis à jour le 2026-11-15).

# Normalisation du texte arabe

Mis à jour 2026-11-15

La normalisation du texte arabe est l’étape qui ramène les variantes orthographiques d’un même mot à une seule forme avant la comparaison : suppression des diacritiques et du tatweel, unification des formes d’alif, et souvent ى vers ي et ة vers ه. Elle s’applique aux clés de recherche et à l’évaluation, pas au texte affiché.

Aussi appelé : normalisation de l’arabe, normalisation arabe, normalisation de l’alif, normalisation orthographique, Arabic text normalization, Arabic normalization, alef normalization, orthographic normalization, tatweel, kashida, alef variants

Les utilisateurs arabophones tapent le même mot de plusieurs façons. La normalisation fait concorder ces graphies.

## Comment ça marche

La normalisation est un ensemble de réécritures de caractères appliquées au texte stocké comme aux requêtes. L’ArabicNormalizer d’Apache Lucene, utilisé par de nombreux moteurs de recherche, énumère cinq règles :

1.  hamza sur support alif vers alif nu ;
2.  ta marbuta (ة) vers ha (ه) ;
3.  ya sans points, l’alif maqsura (ى), vers ya (ي) ;
4.  suppression des harakat ([diacritiques](https://broadrouter.com/fr/glossary/arabic-diacritics/)) ;
5.  suppression du tatweel, le « caractère d’allongement ».

CAMeL Tools propose les mêmes idées sous forme de fonctions séparées. Sa fonction `normalize_alef_ar` ramène إ أ ٱ آ (U+0625, U+0623, U+0671, U+0622) à ا, `normalize_alef_maksura_ar` ramène ى à ي, et `normalize_teh_marbuta_ar` ramène ة à ه. `normalize_unicode` applique NFKC par défaut, c’est-à-dire la [normalisation Unicode](https://broadrouter.com/fr/glossary/unicode-normalization/), qui doit passer en premier.

Le tatweel (U+0640, aussi appelé kashida) est un caractère de liaison que le standard Unicode décrit pour la justification : inséré entre des caractères, il allonge une ligne. Il ne porte aucun sens, donc كتـــاب et كتاب doivent concorder.

Un exemple :

| Entrée | Après normalisation | Règles appliquées |
| --- | --- | --- |
| إِسْلامٌ | اسلام | diacritiques, alif |
| مدرسة | مدرسه | ta marbuta |
| مستشفى | مستشفي | alif maqsura |
| كتـــاب | كتاب | tatweel |

## Pourquoi c’est important

Larkey, Ballesteros et Connell (2002) ont normalisé la collection de dépêches arabes de TREC-2001 en supprimant la ponctuation, les diacritiques et les caractères non alphabétiques, et en remplaçant plusieurs variantes de lettres par une seule forme. La normalisation seule a fait passer la précision moyenne monolingue de 0,194 à 0,238. Leur raciniseur light8 appliqué en plus a atteint 0,376.

Il en va de même pour :

-   **Le [RAG](https://broadrouter.com/fr/glossary/rag/) et la recherche par mots-clés.** Une requête tapée sans hamza doit trouver un document écrit avec. Voir [la recherche RAG en arabe](https://broadrouter.com/fr/blog/arabic-rag-search/).
-   **Le [taux d’erreur sur les mots](https://broadrouter.com/fr/glossary/word-error-rate/).** Les scores de reconnaissance vocale en arabe dépendent du fait que références et transcriptions ont été normalisées de la même manière. L’[explication du WER en arabe](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/) montre l’effet.
-   **La déduplication et l’analytique.** Compter des mots ou des termes d’utilisateurs sans normalisation éclate un mot en plusieurs.

Le prix à payer, ce sont des mots confondus. Unifier l’alif transforme les particules distinctes إن et أن en une même chaîne, et la règle ة vers ه confond كرة (ballon) et كره (haine). Traitez les règles sur la [hamza](https://broadrouter.com/fr/glossary/hamza/) et le [ta marbuta](https://broadrouter.com/fr/glossary/taa-marbuta/) comme des réglages.

## Sur BroadNet Inference

La normalisation s’exécute dans votre code, pas dans l’API. Les endpoints de chat et de transcription de BroadNet prennent votre texte ou votre audio tel quel. Gardez deux copies : l’original pour le modèle et l’utilisateur, et une clé normalisée pour la correspondance.

Le [normaliseur de texte arabe](https://broadrouter.com/tools/arabic-text-normalizer/) gratuit applique ces règles dans le navigateur pour que vous voyiez ce que chacune change. Le [guide de la normalisation](https://broadrouter.com/fr/blog/arabic-text-normalization-search/) propose du code Python testé et une discussion règle par règle.

## Erreurs fréquentes

-   Normaliser les documents mais pas les requêtes, ou l’inverse.
-   Afficher ou citer le texte normalisé aux utilisateurs.
-   Mélanger des bibliothèques aux règles différentes, par exemple deux correspondances distinctes pour ى.

## Questions fréquentes

### La normalisation aide-t-elle aussi la recherche par embeddings ?

Les résultats classiques ont été mesurés sur la recherche par mots-clés. Pour les embeddings, testez l’entrée normalisée et l’entrée brute sur vos propres requêtes avant de trancher.

### Faut-il normaliser le texte avant de l’envoyer à un LLM ?

En général, non. Envoyez l’original pour que le modèle voie l’orthographe réelle, la hamza et les diacritiques. Ne normalisez que les copies que vous comparez, indexez ou notez.

### Toutes les bibliothèques appliquent-elles les mêmes règles ?

Non. CAMeL Tools et Lucene ramènent tous deux l’alif maqsura au ya et le ta marbuta au ha, mais d’autres bibliothèques diffèrent. Choisissez un jeu de règles et appliquez-le aux documents comme aux requêtes.

## Voir aussi

-   [Diacritiques arabes (tashkeel)](https://broadrouter.com/fr/glossary/arabic-diacritics/) (terme)
-   [Hamza](https://broadrouter.com/fr/glossary/hamza/) (terme)
-   [Tâ’ marbûta (ة)](https://broadrouter.com/fr/glossary/taa-marbuta/) (terme)
-   [Normalisation Unicode](https://broadrouter.com/fr/glossary/unicode-normalization/) (terme)
-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Taux d’erreur sur les mots (WER)](https://broadrouter.com/fr/glossary/word-error-rate/) (terme)
-   [Normaliser le texte arabe pour la recherche et le RAG : quoi changer](https://broadrouter.com/fr/blog/arabic-text-normalization-search/) (article)
-   [RAG en arabe : normalisation, chunking et recherche qui fonctionnent](https://broadrouter.com/fr/blog/arabic-rag-search/) (article)
-   [Taux d’erreur de mots (WER) en reconnaissance vocale arabe](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-arabic-text-normalization&utm_content=page-cta) ·

**Sources**

-   [Documentation de CAMeL Tools, camel\_tools.utils.normalize (vérifié le 2026-11-15)](https://camel-tools.readthedocs.io/en/latest/api/utils/normalize.html)
-   [Code source de CAMeL Tools, normalize.py (règles pour alif, alif maqsura, ta marbuta) (vérifié le 2026-11-15)](https://raw.githubusercontent.com/CAMeL-Lab/camel_tools/master/camel_tools/utils/normalize.py)
-   [Apache Lucene 9.0 API, ArabicNormalizer (vérifié le 2026-11-15)](https://lucene.apache.org/core/9_0_0/analysis/common/org/apache/lucene/analysis/ar/ArabicNormalizer.html)
-   [Larkey, Ballesteros et Connell, Improving Stemming for Arabic Information Retrieval (SIGIR 2002) (vérifié le 2026-11-15)](https://ciir-publications.cs.umass.edu/pub/web/getpdf.php?id=249)
-   [The Unicode Standard 18.0, chapitre 9 Middle East-I, arabe (tatweel) (vérifié le 2026-11-15)](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-9/)
