アラビージーは、多くのアラビア語話者がスマートフォンで入力する書き方です。アラビア語の単語を、ラテン文字のキーボードで、足りない音をいくつかの数字で補って打ちます。
しくみ
Darwish(2014)は、Arabish や Franco-Arab とも呼ばれるアラビージーを、ラテン文字に音訳した形のアラビア語で、英語にない文字を数字で表すものと説明しています。「2」と「3」がハムザの音と ع を表します。古いブラウザや携帯電話がアラビア文字を表示できなかったことから広まり、人々が慣れていて英語キーボードのほうが速く打てるため、今も使われ続けています。
ソフトウェアにとって扱いにくい性質が 3 つあります。
- 標準的な綴りがない。 Shazal、Usman、Habash(2020)は、SNS のアラビージーは標準的な正書法を持たない方言アラビア語であり、アラビア文字への対応も 1 対 1 ではないと指摘しています。
- 英語やフランス語と混ざる。
w aletli Tuesday(「それで彼女は火曜日って言ってた」)のようなメッセージは両方が混ざっており、これはコードスイッチングです。 - まず検出が必要。 ソフトウェアは、変換の前にどの単語がアラビージーかを判定しなければなりません。Darwish は、従来型のパイプラインで検出精度 98.5%、変換精度 88.7% を報告しています。2020 年の sequence-to-sequence モデルは、検出と変換を合わせたタスクのブラインドテストセットで単語正解率 80.6% に達しています。
LLM API では、アラビージーはトークナイザー上の振る舞いもアラビア文字とは異なります。語彙がほとんど見たことのない綴り方をしたラテン文字のテキストだからです。
なぜ重要か
湾岸地域、エジプト、レバントでチャットボット、検索、分析を運用していれば、一部のユーザーは必ずアラビージーで入力します。アラビア文字向けに作られたキーワード検索、インテントのルール、感情分析ツールは、そうしたメッセージを取りこぼします。よくある対策は、振り分けやインデックス作成の前に、方言を明示したうえで LLM にアラビージーをアラビア文字に変換させ、元のテキストも残しておくことです。プロンプトと返信の文字の選び方はアラビージー対応ガイドで解説しています。
BroadNet Inference の場合
BroadNet にはアラビージー専用の機能はなく、チャットモデルは普通のテキストとして受け取ります。BroadNet は Qwen3.8 27B をアラビア語でテストし、湾岸方言とエジプト方言を理解することを確認したと報告しており、アラビージーのテストの出発点になります。LLM で湾岸方言とエジプト方言を扱うを参照してください。
音声は別の話です。BroadNet のドキュメントは、language を指定しないとアラビア語の音声がラテン文字に音訳されることがあると注意しています。その出力はアラビージーのように見えますが、原因は話し手ではなくリクエストにあります。BroadNet Transcribe Arabic には language=ar を送ってください。