BroadRouter
Começar

Árabe padrão moderno (MSA)

Atualizado em

O árabe padrão moderno (MSA) é a forma padronizada do árabe usada na escrita, no noticiário, na educação e na fala formal em todo o mundo árabe. Ele não é a língua materna do dia a dia de ninguém: as pessoas falam dialetos regionais, como o egípcio ou o árabe do Golfo, e passam para o MSA em contextos formais.

Também chamado de: árabe padrão moderno, árabe padrão, árabe literário, fusha, Modern Standard Arabic, Fusha, Fus'ha, Standard Arabic, al-fusha

Quando se diz que um modelo de IA “fala árabe”, normalmente isso significa que ele lida com o árabe padrão moderno. Os dialetos são outro teste.

Como funciona

O árabe é uma família de variedades. O artigo do MADAR (Bouamor et al., 2018) diz isso com todas as letras: o MSA é “the shared language of culture, media, and education from Morocco to Oman” (tradução: a língua comum da cultura, da mídia e da educação do Marrocos a Omã), mas “is not the native language of any speaker of Arabic” (tradução: não é a língua materna de nenhum falante de árabe). Os dialetos se agrupam por região em egípcio, norte-africano, levantino, do Golfo e iemenita, e por sub-região em tunisiano, libanês, kuwaitiano, catariano e assim por diante. O próprio MADAR cobre 25 dialetos de cidades, além do MSA.

Na prática, os dois se misturam. Em situações sem roteiro em que se esperaria o MSA, como talk shows na TV, as pessoas alternam entre o MSA e o dialeto. Isso é code-switching, e a shared task de code-switching de 2014 concluiu que MSA vs. dialeto é o par mais difícil de distinguir no nível da palavra, mais do que espanhol-inglês ou nepalês-inglês.

MSA Dialetos
Onde noticiário, livros, escola, contratos, fala formal casa, rua, ligações, mensagens de voz, chat
Ortografia padrão sem ortografia fixa; muitas vezes digitados em Arabizi
Dados de treino grandes corpora escritos bem menos, distribuídos de forma desigual por região

Por que importa

  • Qualidade do LLM. Um modelo pode escrever um bom MSA e ainda assim não entender gírias do Golfo ou do Magrebe. Teste com o dialeto que seus usuários falam.
  • Precisão da fala para texto. Muitos conjuntos de teste são fala lida ou de transmissão, enquanto o seu áudio pode ser mensagem de voz em dialeto. Peça o word error rate por variedade, e não um único número para o árabe, e teste com as suas próprias gravações.
  • Custo em tokens. No nosso dataset de tokenizers, no Qwen3.8 27B o árabe padrão moderno precisou de 1.31× os tokens das mesmas frases em inglês (2,009 frases do FLORES-200) e o árabe do Golfo de 1.21× (um conjunto pequeno de 49 frases do Tatoeba, então um valor aproximado). Use o contador de tokens em árabe no seu próprio texto.

Na BroadNet Inference

A BroadNet informa ter testado o Qwen3.8 27B para escrita fluente em árabe, com compreensão dos dialetos do Golfo e egípcio. O BroadNet Transcribe Arabic aparece listado para árabe, incluindo dialetos. Para áudio em MSA e em dialeto, envie language=ar; a documentação da BroadNet avisa que, sem ele, o árabe pode voltar em letras latinas. O artigo sobre reconhecimento de fala em dialetos explica como testar com as suas próprias gravações.

Perguntas frequentes

Qual código de idioma eu envio para áudio em dialeto?

Envie ar. A documentação da BroadNet diz para enviar language=ar para árabe, e o BroadNet Transcribe Arabic aparece listado para árabe, incluindo dialetos, então não existe um código separado por dialeto.

Quem fala árabe entende o MSA?

Pessoas escolarizadas leem e entendem, já que é a língua da escola, dos livros e do noticiário. Na conversa do dia a dia, falam o próprio dialeto.

Qual é o código de idioma do MSA?

A ISO 639-3 lista o Standard Arabic como arb, parte da macrolíngua árabe ara. APIs de voz costumam aceitar o código de duas letras ar para todo o árabe.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity