---
title: "LLM でアラビア語に母音記号（タシュキール）を付ける | BroadRouter"
description: "LLM API でアラビア語の母音記号（タシュキール）を復元する方法。文字を変えないプロンプト、改変を弾くチェック、DER・WER による評価、CATT を選ぶべき場面を解説します。"
url: https://broadrouter.com/ja/blog/arabic-diacritization-llm/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/arabic-diacritization-llm/)（2026-11-16 更新）。

# LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER

BroadNet Inference チーム · 約 8 分で読めます · 公開日 2026-11-15 · 更新日 2026-11-16

モデルには完全なタシュキールだけを返させ、返答から母音記号を除いて入力と比べます。1 文字でも変われば却下して再試行します。人手で確認したサンプルを母音記号誤り率（DER）と単語誤り率（WER）で、格語尾ありとなしの両方で評価します。公開結果では、GPT-4 は最良の専用ツールに迫るものの及びません。

## 要点

-   LLM による母音付与を安全にする唯一のルールは、返答から母音記号を除いたものが入力と完全に一致することです。一致しなければモデルが文字を変えたということなので、却下します。
-   CATT ベンチマーク（ニュース 742 文）では、格語尾ありの DER が CATT のエンコーダー・デコーダーモデルで 8.624%、GPT-4 で 9.515%、Mishkal で 16.482% でした（CATT 論文、2024 年）。
-   難しいのは格語尾です。公開されている表はどれも、格語尾ありとなしの両方で DER と WER を報告しており、その差は大きくなっています。自分のテストでも両方を報告してください。
-   母音記号付きのテキストはトークンが増えます。2,500 行の Fadel テストセットで 4 つのモデルのトークナイザーを試したところ、完全なタシュキールは記号なしのテキストの 2.07〜3.21 倍のトークンになりました。
-   大量かつテキストの種類が決まっている場合は、CATT（Apache 2.0）のようなオープンソースの専用ツールのほうが安く、設計上文字を変えません。LLM は始めやすく、変わった入力にも対応できます。

**このページの内容**

1.  母音記号が必要になるのはどんなときですか？
2.  LLM の母音付与の精度はどのくらいですか？
3.  どんなテストセットがありますか？
4.  文字を変えさせないプロンプトとは？
5.  母音付与はどう評価しますか：DER と WER
6.  専用ツールが LLM に勝るのはどんなときですか？
7.  LLM での母音付与のコストは？
8.  BroadNet Inference の位置づけ

アラビア語は通常、短母音を書かずに表記します。読み手は文脈から補いますが、ソフトウェアにはそれが難しいことがよくあります。母音記号を復元する処理を diacritization またはタシュキール（tashkeel）と呼び、文に応じて كتب を كَتَبَ（彼は書いた）、كُتُبٌ（本、複数）、كُتِبَ（書かれた）に変えます。この記事では、OpenAI 互換 API 経由で LLM を使って母音を付ける方法、モデルがテキストを黙って書き換えるのを防ぐ方法、専用ツールと比べて結果を測る方法を説明します。

## 母音記号が必要になるのはどんなときですか？

-   \*\*テキスト読み上げ。\*\*音声が単語を正しく発音するには母音が必要です。CATT 論文は、母音記号によって改善される用途としてテキスト読み上げと機械翻訳を挙げています。BroadNet Inference にはテキスト読み上げのエンドポイントがないため、TTS パイプラインでは、母音を付けたテキストを別の TTS サービスに渡します。
-   \*\*学習者や子ども向けの教材。\*\*まだ学習中の読み手は記号に頼っています。
-   \*\*あいまいな名前や用語。\*\*固有名詞、まれな単語、専門用語など、母音を誤ると意味が変わるもの。
-   \*\*宗教文献や古典。\*\*ここでは記号そのものがテキストの一部であり、自動ツールは人による確認のもとで欠落部分を補うだけにすべきです。

検索や情報検索では、通常は母音記号は不要で、むしろ取り除きます。[検索のためのアラビア語テキスト正規化](https://broadrouter.com/ja/blog/arabic-text-normalization-search/)を参照してください。無料の[アラビア語テキスト正規化ツール](https://broadrouter.com/tools/arabic-text-normalizer/)なら、この除去をブラウザ上で行えます。母音付与はその逆の操作で、はるかに難しい処理です。記号を取り除くのは表引きで済みますが、付けるには文法と文脈が必要です。

## LLM の母音付与の精度はどのくらいですか？

公開されている 2 つの数値を、注意して読んでみます。

| システム | CATT ベンチマーク、格語尾ありの DER | 格語尾なしの DER | 格語尾ありの WER | 格語尾なしの WER |
| --- | --- | --- | --- | --- |
| CATT エンコーダー・デコーダー | 8.624% | 6.989% | 34.191% | 28.477% |
| CATT エンコーダーのみ | 8.762% | 7.088% | 35.508% | 29.714% |
| GPT-4（論文本文によれば GPT-4-turbo） | 9.515% | 8.113% | 38.311% | 33.505% |
| Command R+ | 13.169% | 11.329% | 48.518% | 44.158% |
| Shakkala | 13.494% | 10.386% | 50.387% | 40.643% |
| Mishkal | 16.482% | 10.796% | 60.844% | 40.215% |

出典：[CATT 論文](https://arxiv.org/html/2407.03236v3)（2024 年）の表 4。値が低いほど良い結果です。ベンチマークは 2023 年に収集したニュース 742 文で、ネイティブの専門家 2 人が母音を付け、3 人目が確認しています。

論文の 2 つ目のテストセットである WikiNews（400 文）では、GPT-4 がほかのどのシステムよりもはるかに良い DER 0.551% を記録しました。著者はこの行に印を付け、モデルが学習時に WikiNews を見ていた可能性を指摘しています。これは LLM ベンチマーク全般への警告です。公開されたテスト用テキストは学習データに含まれているかもしれません。CATT の著者は、コーランやハディースの引用を多く含む書籍から成る Tashkeela についても同じ懸念を示しています。

Skiredj と Berrada による別の 2024 年の論文は、Fadel らのベンチマークで GPT-4 を DER 約 20%、WER 約 30% と報告していますが、上の表と比較するのに必要な詳細は示されていません。

つまり、GPT-4 クラスのモデルは専用ツールに迫ることもあれば、及ばないこともあります。どちらの論文も、現在呼び出せるオープンモデルより前のものです。自分のテキストで測定してください。

## どんなテストセットがありますか？

| データセット | 内容 |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 97 冊の書籍から集めた、完全に母音が付いた 75,629,921 語。98.85% は Shamela ライブラリの古典アラビア語、1.15% は現代標準アラビア語 |
| [Fadel らのベンチマーク](https://github.com/AliOsm/arabic-text-diacritization) | Tashkeela から抽出した約 230 万語。学習 50,000 行、検証 2,500 行、テスト 2,500 行 |
| CATT ベンチマーク | 人手で母音を付けたニュース 742 文。CATT のモデルと一緒に公開 |
| WikiNews | 人手で母音を付けた MSA のニュース 400 文 |

Tashkeela と Fadel のセットは主に古典アラビア語です。扱うテキストが現代のビジネスやニュースのアラビア語なら、CATT と WikiNews のセットのほうが近く、自分のテキストのサンプルが最も近くなります。

## 文字を変えさせないプロンプトとは？

モデルの仕事は記号を加えることだけで、それ以外には一切触れないことです。LLM は手助けをしたがり、الى を إلى に直したり、語末の ى を ي に変えたり、抜けたハムザを加えたりします。どれも正しいアラビア語かもしれませんが、それはスペル訂正であって母音付与ではありません。知らないうちにテキストが変わってしまいます。

そこで、プロンプトでルールを示し、コードで強制します。返答から母音記号を取り除き、同じく記号を除いた入力と比べます。文字、スペース、句読点が 1 つでも違えば、その返答は却下します。

```python
import difflib, os, re, unicodedata
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

MARKS = re.compile("[ً-ْٰ]")  # tanween, harakat, shadda, sukun, dagger alef
SYSTEM = """Add full Arabic diacritics (tashkeel) to the user's text, including case endings.
Reply with the diacritized text only. Do not add, remove, reorder or replace any letter,
space, digit or punctuation mark. Do not fix spelling. Keep any diacritics already present."""

def skeleton(s: str) -> str:
    """The text with every diacritic removed: what the model is not allowed to change."""
    return MARKS.sub("", unicodedata.normalize("NFC", s))

def diacritize(text: str, model: str = "broadnet/qwen3.8-27b", tries: int = 2) -> str | None:
    for attempt in range(tries):
        r = client.chat.completions.create(
            model=model, max_tokens=4000, temperature=0,
            messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
        out = unicodedata.normalize("NFC", (r.choices[0].message.content or "").strip())
        if skeleton(out) == skeleton(text):
            return out
        diff = [d for d in difflib.ndiff(skeleton(text).split(), skeleton(out).split()) if d[0] in "+-"]
        print(f"attempt {attempt + 1}: letters changed {diff}")
    return None  # keep the undiacritized text; never ship a changed sentence

for line in ["ذهب الطالب الى المدرسة", "قرأ محمد الكتاب"]:
    print(diacritize(line))
```

これは本番の API ではなく、ローカルのモックサーバーで実行しました。1 文目に対する用意した返答は、2 回の試行とも الى を إلى に「修正」しており、2 文目の返答は問題ありませんでした。出力は次のとおりです。

```text
attempt 1: letters changed ['- الى', '+ إلى']
attempt 2: letters changed ['- الى', '+ إلى']
None
قَرَأَ مُحَمَّدٌ الْكِتَابَ
```

コードについての補足です。

-   \*\*まず Unicode NFC。\*\*ハムザは合成済みの 1 文字（أ）で来ることもあれば、文字と結合記号の組み合わせで来ることもあります。NFC で比較前に両者をそろえます。この落とし穴は[正規化の記事](https://broadrouter.com/ja/blog/arabic-text-normalization-search/)で詳しく扱っています。
-   \*\*`max_tokens=4000`。\*\*BroadNet のドキュメントによると、DeepSeek V4.1 Flash、GLM 5.3、Qwen3.8 27B は回答の前に推論し、その推論は `max_tokens` に含まれます。上限が小さすぎると空の返答が返り、チェックで却下されます。余裕を持たせるか、`reasoning_effort` を low にしてください。[推論モデルの空レスポンス](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)と[推論トークン予算計算ツール](https://broadrouter.com/tools/reasoning-token-budget/)も参照してください。
-   \*\*このチェックは「既存の母音記号を保つ」ことまでは確認しません。\*\*入力の一部に母音記号が付いている場合は、それらの記号も比較してください。
-   \*\*スペルは別の判断です。\*\*الى を直したいなら、先に訂正ステップを実行し、訂正後のテキストに母音を付けます。2 つを混ぜると、どちらも検証できなくなります。
-   \*\*長いテキストは分割します。\*\*1 リクエストにつき 1 文か 1 段落を送ります。CATT 自体も入力を 1,024 文字までに制限し、長い文は句読点で分割します。同じやり方で LLM の返答も短く保て、再試行のコストも抑えられます。

アラビア語のプロンプトを書く一般的なコツ（モデルに母音記号を付けないよう指示すべき場面を含む）は、[アラビア語のプロンプトエンジニアリング](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)を参照してください。

## 母音付与はどう評価しますか：DER と WER

\*\*母音記号誤り率（DER）**は、母音記号が参照と異なる文字の割合です。ここでの**単語誤り率（WER）\*\*は、誤った母音記号を 1 つ以上含む単語の割合です。[ASR の記事](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)で扱う音声認識の WER とは別物で、挿入や削除された単語ではなく、記号を誤った単語を数えます。

数値を大きく左右する設定が 2 つあります。

-   \*\*格語尾を含めるかどうか。\*\*単語の最後の文字は文法上の格（イウラーブ、i’rab）を表し、構文によって決まります。誤りの多くが格語尾から生じるため、論文は両方の設定で報告します。
-   \*\*母音記号のない文字を数えるかどうか。\*\*記号のない文字（الطالب の alef など）を「記号なし」という正しい予測として数えるスクリプトもあれば、飛ばすスクリプトもあります。Fadel の評価スクリプトにはこのためのフラグがあります。

公開されているスクリプトはこうした選択がまちまちなので、比べてよいのは同じスクリプトで算出した数値だけです。次のスクリプトは短く、通して読めます。

```python
import re, unicodedata

MARK = re.compile("[ً-ْٰ]")
LETTER = re.compile("[ء-غف-ي]")

def letters(word: str) -> list[tuple[str, str]]:
    """(letter, its diacritics in a fixed order) for each Arabic letter in a word."""
    out = []
    for ch in unicodedata.normalize("NFC", word):
        if LETTER.match(ch):
            out.append([ch, ""])
        elif MARK.match(ch) and out:
            out[-1][1] += ch
    return [(c, "".join(sorted(d))) for c, d in out]

def der_wer(gold: list[str], pred: list[str], case_ending=True, count_bare=True) -> dict:
    """DER: share of scored letters with the wrong diacritics. WER: share of words with any such letter.
    case_ending=False skips each word's last letter. count_bare=False skips letters with no gold diacritic."""
    errs = total = werr = words = 0
    for g_line, p_line in zip(gold, pred):
        for g, p in zip(g_line.split(), p_line.split()):
            G, P = letters(g), letters(p)
            if [c for c, _ in G] != [c for c, _ in P]:
                raise ValueError(f"letters differ: {g} / {p}")  # score only same-skeleton output
            scored = [(gd, pd) for i, ((_, gd), (_, pd)) in enumerate(zip(G, P))
                      if (case_ending or i < len(G) - 1) and (count_bare or gd)]
            if not scored:
                continue
            bad = sum(gd != pd for gd, pd in scored)
            errs += bad; total += len(scored); werr += bad > 0; words += 1
    return {"DER": round(100 * errs / total, 2), "WER": round(100 * werr / words, 2)}

gold = ["ذَهَبَ الطَّالِبُ إِلَى المَدْرَسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابَ"]
pred = ["ذَهَبَ الطَّالِبَ إِلَى المَدْرِسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابُ"]
for ce in (True, False):
    print("with case endings" if ce else "without case endings", der_wer(gold, pred, case_ending=ce))
```

このおもちゃの予測では、32 文字・7 単語の中に、格語尾の誤りが 2 つ、語中の母音の誤りが 1 つあります。格語尾ありでは DER 9.38、WER 42.86、格語尾なしでは DER 4.0、WER 14.29 と出力されます。WER が少数の誤りを大きく見せることに注意してください。記号を 1 つ誤るだけで、単語全体が誤りになります。

このスクリプトは、文字が変わった単語の評価を拒否します。これは意図的です。文字を書き換える母音付与ツールはタスクに失敗しており、その DER には意味がありません。

2 つ目のチェックとして、ルールベースの母音付与ツール Mishkal 0.4.1 を、人手で母音を付けた 16 語の 1 文で試しました。4 つの誤りはすべて格語尾で、たとえば مُحَمَّدٌ を مُحَمَّدُ としていました。格語尾ありで DER 5.88、なしで 0.0 でした。1 文では Mishkal について何も証明できませんが、両方の設定を報告すべき理由はよくわかります。

テストセットを作るには、自分のテキストから 100〜200 文を選び、ネイティブスピーカーに母音を付けてもらい、記号を取り除いてから各候補で実行します。人手の版を正解（ゴールド）として残しておきます。

## 専用ツールが LLM に勝るのはどんなときですか？

| 選択肢 | 向いている場面 |
| --- | --- |
| 専用モデル（CATT、libtashkeel、Mishkal） | 大量処理、テキストの種類が固定、レイテンシ要件が厳しい、オフラインやオンデバイスでの利用、設計上文字単位で一致する出力が必要な場合 |
| API 経由の LLM | 量が少ないか不規則、入力が混在または乱雑、ML 運用の体制がない、パイプラインの他のステップですでに LLM を呼んでいる場合 |

専用モデルは文字ごとに記号を予測するため、テキストを書き換えることができません。[CATT](https://github.com/abjadai/catt) は Apache 2.0 で、`pip install catt-tashkeel` でインストールできます。README では、速度重視ならエンコーダーのみのモデル、精度重視ならエンコーダー・デコーダーのモデルを推奨しています。[libtashkeel](https://github.com/mush42/libtashkeel) は MIT で、主に MSA で学習しています。[Mishkal](https://pypi.org/project/mishkal/) はルールベースで GPL です。製品に組み込んで配布する場合はこの点が重要になります。

LLM は始めるのが早く、学習済みモデルが見たことのない入力（方言、アラビア語と英語の混在、変わった句読点）にも対応できます。ただし、すべての返答に上記の骨格チェックが必要で、トークン単位で料金がかかります。

## LLM での母音付与のコストは？

母音記号は余分な文字であり、トークナイザーはそれを余分なトークンに分割します。2,500 行の Fadel テストセット（125,098 語）について、各モデル自身のトークナイザーで、記号なしのテキストと完全に母音を付けたテキストを数えました。

| トークナイザー | 記号なし | 母音付き | 比率 |
| --- | --- | --- | --- |
| Qwen3.8 27B | 196,987 | 407,144 | 2.07× |
| DeepSeek V4.1 Flash | 222,555 | 540,454 | 2.43× |
| Gemma 4 VL 26B | 208,769 | 508,758 | 2.44× |
| GLM 5.3 | 239,753 | 770,361 | 3.21× |

記号なしのテキストには入力トークン、母音付きの返答には出力トークンの料金がかかり、さらに推論の分が加わります。高いのは出力側です。BroadNet の料金ページによると、100 万トークンあたり [Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) が $2.17、[DeepSeek V4.1 Flash](https://broadrouter.com/ja/models/deepseek-v4.1-flash/) が $0.52、[GLM 5.3](https://broadrouter.com/ja/models/glm-5.3/) が $3.46、[Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) が $0.22 です。チェックに失敗した後の再試行でさらに増えます。自分のテキストを[アラビア語トークンカウンター](https://broadrouter.com/tools/arabic-token-counter/)に貼り付ければ、手元のデータでの比率を確認できます。そもそもアラビア語がなぜトークンを多く消費するのかは、[アラビア語と英語の 1 語あたりのトークン数](https://broadrouter.com/ja/blog/tokens-per-word-arabic-english/)を参照してください。

大規模なアーカイブを一度だけ処理するなら、DeepSeek V4.1 Flash のプランで従量課金をセッション単位の定額（1 週間 $15 または 1 時間 $1）に置き換えられます。各セッションは一度に 1 リクエストしか実行しないため、[Batch API なしでのバッチ処理](https://broadrouter.com/ja/blog/llm-batch-processing-without-batch-api/)のように実行計画を立ててください。

## BroadNet Inference の位置づけ

BroadRouter は BroadNet 自身のサイトです。BroadNet Inference は上記 4 つのチャットモデルを 1 つの OpenAI 互換エンドポイントで提供しているため、ベース URL とキーを設定すれば、このコードは [OpenAI Python SDK](https://broadrouter.com/ja/guides/openai-python-sdk/) で動きます。Gemma 4 VL 26B は $5 の初回クレジットで使えます。DeepSeek、GLM、Qwen はチャージが必要です。BroadNet には母音付与のエンドポイントがなく、独自の母音付与ベンチマークも公開しておらず、テキスト読み上げもありません。どのモデルが自分のテキストに最適かは測定されていないので、選ぶ前に自分のサンプルで評価してください。リクエストの詳細は [API リファレンス](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-diacritization-llm&utm_content=body)を参照してください。

関連する無料ツール（英語）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[単語誤り率（WER、word error rate）](https://broadrouter.com/ja/glossary/word-error-rate/)

単語誤り率（WER）とは、音声認識の標準的な精度指標です。書き起こしを正しい参照テキストに直すのに必要な単語の置換・削除・挿入の数を、参照テキストの単語数で割って求めます。値が低いほど良好です。

[音声合成（TTS、text-to-speech）](https://broadrouter.com/ja/glossary/text-to-speech/)

音声合成（TTS、text-to-speech）とは、書かれたテキストを話し言葉の音声に変換する技術です。TTS API はテキスト、声、MP3 や WAV などの出力形式を受け取り、生成した音声を返します。音声をテキストにする音声認識とは逆方向の処理です。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[現代標準アラビア語（MSA）](https://broadrouter.com/ja/glossary/msa/)

現代標準アラビア語（MSA）とは、アラブ世界全体で書き言葉、ニュース、教育、公式のスピーチに使われる標準化されたアラビア語です。誰の日常の母語でもなく、人々はエジプト方言や湾岸方言などの地域方言を話し、改まった場面で MSA に切り替えます。

[アラビア語の発音記号（タシュキール、tashkeel）](https://broadrouter.com/ja/glossary/arabic-diacritics/)

アラビア語の発音記号（タシュキール）とは、文字の上下に書く小さな記号で、短母音、子音の重複、母音がないことを示します。省略可能で、ニュースを含むほとんどのアラビア語テキストでは書かれないため、読み手もソフトウェアも文脈から母音を推測します。

[ツール呼び出し（Function Calling、tool calling）](https://broadrouter.com/ja/glossary/tool-calling/)

ツール呼び出し（Function Calling とも呼ばれます）とは、開発者が定義した関数の実行を求める構造化されたリクエストを、モデルが JSON の引数付きで返す LLM API の機能です。関数を実行して結果を返すのはアプリケーションで、モデル自身がコードを実行することはありません。

[トークナイザー（tokenizer）](https://broadrouter.com/ja/glossary/tokenizer/)

トークナイザーとは、テキストを言語モデルが読む整数のトークン ID の列に変換し、生成された ID をテキストに戻す部品です。モデルごとに独自のトークナイザーがあるため、同じテキストでもモデルによってトークン数が変わります。

## よくある質問

### Python でアラビア語のテキストに母音記号を付けるには？

方法は 2 つあります。catt-tashkeel（Apache 2.0）や mishkal（GPL）のような専用ツールをインストールしてローカルで呼び出すか、タシュキールだけを求めるプロンプトでテキストを LLM に送ります。LLM を使う場合は、返答から母音記号を除いたものが入力と一致するか必ず確認してください。

### ChatGPT や GPT-4 はアラビア語の母音付与が得意ですか？

テストによっては最良の専用システムに迫り、別のテストでは及びません。CATT 論文は、同論文のニュースベンチマークで GPT-4 の格語尾ありの DER を 9.515%、論文自身のモデルを 8.624% と測定しました。別の 2024 年の論文は、Fadel ベンチマークで GPT-4 の DER を約 20% と報告しています。自分のテキストでテストしてください。

### 母音付与の DER と WER の違いは何ですか？

DER は母音記号が誤っている文字の割合です。WER は母音記号の誤りが 1 つ以上ある単語の割合なので、常に DER より高くなります。どちらも格語尾（各単語の最後の文字）ありとなしの両方で報告されます。

### LLM がタシュキールを付けるときに文字を変えてしまうのはなぜですか？

スペルも直してしまうからです。الى が إلى に、ى が ي に変わり、抜けていたハムザが現れます。正しい場合もありますが、それは訂正であって母音付与ではなく、文字単位の評価を壊します。しないよう指示し、すべての返答を確認し、スペル訂正が必要なら別のステップで行ってください。

### BroadNet は母音記号を付けたテキストを読み上げられますか？

いいえ。BroadNet Inference にはテキスト読み上げ（TTS）のエンドポイントがありません。提供しているのはチャットモデルと音声認識です。母音付与が TTS パイプラインの前処理なら、結果を別の TTS サービスに送ってください。

## 続けて読む

-   [検索と RAG のためのアラビア語テキスト正規化：変えるもの、変えないもの](https://broadrouter.com/ja/blog/arabic-text-normalization-search/)
-   [アラビア語のプロンプトエンジニアリング：文体、RTL、数字、混在テキスト](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)
-   [アラビア語と英語の 1 語あたりのトークン数：アラビア語が高くつく理由](https://broadrouter.com/ja/blog/tokens-per-word-arabic-english/)
-   [LLM によるアラビア語の固有表現抽出：JSON、日付、チェック](https://broadrouter.com/ja/blog/arabic-named-entity-extraction-llm/)
-   [アラビア語向け LLM API の選び方：何をテストすべきか](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)
-   [Batch API なしで LLM を一括処理する：再開できるランナー](https://broadrouter.com/ja/blog/llm-batch-processing-without-batch-api/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [アラビア語の会議録音から議事録を作る：API パイプライン](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)
-   [アラビア語 OCR API 比較：Google、Azure、Textract、Mistral、LLM](https://broadrouter.com/ja/blog/arabic-ocr-api-comparison/)
-   [ガイド：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)
-   [ガイド：推論モデルが空の回答を返す理由](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-diacritization-llm&utm_content=page-cta) ·

**出典**

-   [Alasmary、Zaafarani、Ghannam「CATT: Character-based Arabic Tashkeel Transformer」（arXiv 2407.03236v3）：表 4・表 5、データセットの規模、入力上限 1,024 文字（2026-11-15 確認）](https://arxiv.org/html/2407.03236v3)
-   [GitHub の abjadai/catt：Apache 2.0 ライセンス、pip パッケージ catt-tashkeel、エンコーダーのみとエンコーダー・デコーダーのモデル（2026-11-15 確認）](https://github.com/abjadai/catt)
-   [Fadel ほか「Arabic Text Diacritization Using Deep Neural Networks」（arXiv 1905.01965）：Tashkeela から 5 万 5,000 行、約 230 万語（2026-11-15 確認）](https://arxiv.org/abs/1905.01965)
-   [GitHub の AliOsm/arabic-text-diacritization：50,000 / 2,500 / 2,500 行の分割、MIT ライセンス、diacritization\_stat.py（2026-11-15 確認）](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki、Balla「Tashkeela: Novel corpus of Arabic vocalized texts」Data in Brief 2017：75,629,921 語、97 冊、98.85% が古典アラビア語（2026-11-15 確認）](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj、Berrada「Arabic Text Diacritization in the Age of Transfer Learning」（arXiv 2401.04848）：Fadel ベンチマークで GPT-4 は DER 約 20%、WER 約 30% と報告（2026-11-15 確認）](https://arxiv.org/html/2401.04848v1)
-   [PyPI の Mishkal：バージョン 0.4.1、GPL、TashkeelClass の使い方（2026-11-15 確認）](https://pypi.org/project/mishkal/)
-   [GitHub の mush42/libtashkeel：母音記号復元ライブラリ、MIT ライセンス、主に MSA で学習したモデル（2026-11-15 確認）](https://github.com/mush42/libtashkeel)
-   [BroadNet Inference API リファレンス：モデル ID、推論トークンは max\_tokens に含まれる、reasoning\_effort、エンドポイント（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-diacritization-llm&utm_content=sources)
