---
title: "Расстановка огласовок (ташкиль) в арабском через LLM"
description: "Как расставить арабские огласовки (ташкиль) через LLM API: промпт без правки букв, проверка ответа, оценка по DER и WER и когда лучше взять CATT."
url: https://broadrouter.com/ru/blog/arabic-diacritization-llm/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/arabic-diacritization-llm/) (обновлён 2026-11-16).

# Огласовки в арабском тексте через LLM: промпт, проверка, DER

Команда BroadNet Inference · 8 мин чтения · Опубликовано 2026-11-15 · Обновлено 2026-11-16

Просите у модели полный ташкиль и ничего больше, затем удалите огласовки из её ответа и сравните с входом. Если изменилась хоть одна буква, ответ отклоняется и запрос повторяется. Оценивайте выборку, проверенную вручную, по DER и WER, с флективными окончаниями и без них. По опубликованным результатам GPT-4 близок к лучшим специализированным системам, но уступает им.

## Главное

-   Одно правило делает огласовку через LLM безопасной: ответ без огласовок должен в точности совпадать со входом. Если не совпадает, модель изменила букву, и ответ отклоняется.
-   На бенчмарке CATT (742 новостных предложения) модель CATT encoder-decoder показала DER 8,624% с флективными окончаниями против 9,515% у GPT-4 и 16,482% у Mishkal (статья CATT, 2024).
-   Самое трудное — флективные окончания. Каждая опубликованная таблица приводит DER и WER с ними и без них, и разница велика. В своих тестах тоже указывайте оба варианта.
-   Огласованный текст стоит больше токенов. На тестовом наборе Fadel из 2500 строк полный ташкиль занял в 2,07–3,21 раза больше токенов, чем голый текст, на четырёх токенизаторах моделей, которые мы проверили.
-   Для больших объёмов и однотипных текстов специализированный open-source-инструмент вроде CATT (Apache 2.0) дешевле и по устройству не меняет буквы. С LLM проще начать, и она справляется с нестандартным вводом.

**На этой странице**

1.  Когда нужны огласовки?
2.  Насколько хорошо LLM расставляют огласовки?
3.  Какие тестовые наборы существуют?
4.  Какой промпт сохраняет буквы нетронутыми?
5.  Как оценивать огласовку: DER и WER?
6.  Когда специализированный инструмент лучше LLM?
7.  Сколько стоит огласовка через LLM?
8.  Где здесь BroadNet Inference

Арабский обычно пишут без кратких гласных. Читатель восстанавливает их по контексту, программа — часто нет. Их восстановление, огласовка или ташкиль, превращает كتب в كَتَبَ (он написал), كُتُبٌ (книги) или كُتِبَ (было написано) — в зависимости от предложения. В этой статье показано, как делать это с LLM через OpenAI-совместимый API, как не дать модели незаметно менять ваш текст и как сравнить результат со специализированным инструментом огласовки.

## Когда нужны огласовки?

-   **Синтез речи.** Голосу нужны гласные, чтобы произнести слово. Статья CATT называет синтез речи и машинный перевод задачами, которые выигрывают от огласовок. У BroadNet Inference нет эндпоинта синтеза речи, поэтому в конвейере TTS огласованный текст уходит в отдельный сервис синтеза.
-   **Учащиеся и детские материалы.** Тем, кто ещё учится читать, нужны эти знаки.
-   **Неоднозначные имена и термины.** Имена собственные, редкие слова и технические термины, где неверная гласная меняет смысл.
-   **Религиозные и классические тексты.** Здесь знаки — часть текста, и автоматический инструмент должен только заполнять пропуски под контролем человека.

Для поиска и извлечения огласовки обычно не нужны. Там их удаляют, как описано в статье [нормализация арабского текста для поиска](https://broadrouter.com/ru/blog/arabic-text-normalization-search/). Бесплатный [нормализатор арабского текста](https://broadrouter.com/tools/arabic-text-normalizer/) делает это удаление прямо в браузере. Огласовка — обратная операция и гораздо более сложная: удалить знаки можно по таблице, а чтобы их добавить, нужны грамматика и контекст.

## Насколько хорошо LLM расставляют огласовки?

Два опубликованных результата, которые нужно читать внимательно:

| Система | Бенчмарк CATT, DER с флективными окончаниями | DER без них | WER с флективными окончаниями | WER без них |
| --- | --- | --- | --- | --- |
| CATT encoder-decoder | 8,624% | 6,989% | 34,191% | 28,477% |
| CATT encoder-only | 8,762% | 7,088% | 35,508% | 29,714% |
| GPT-4 (по тексту статьи — 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% |

Источник: таблица 4 [статьи CATT](https://arxiv.org/html/2407.03236v3) (2024). Чем меньше, тем лучше. Бенчмарк — 742 новостных предложения, собранных в 2023 году; огласовку расставили два эксперта — носители языка, а третий её проверил.

На втором тестовом наборе статьи, WikiNews (400 предложений), GPT-4 оказался намного лучше всех остальных: DER 0,551%. Авторы отмечают эту строку и предполагают, что модель могла видеть WikiNews при обучении. Это общее предупреждение для бенчмарков LLM: публичный тестовый текст может быть в обучающих данных. Авторы CATT высказывают то же опасение насчёт Tashkeela, в книгах которой много цитат из Корана и хадисов.

Отдельная статья 2024 года, Skiredj и Berrada, сообщает для GPT-4 около 20% DER и 30% WER на бенчмарке Fadel et al., но без деталей, которые позволили бы сравнить это с таблицей выше.

Итак, модели класса GPT-4 могут почти догнать специализированный инструмент огласовки, а могут и заметно отстать. Обе статьи вышли раньше открытых моделей, доступных сегодня. Измеряйте на своём тексте.

## Какие тестовые наборы существуют?

| Датасет | Что это |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 75 629 921 полностью огласованное слово из 97 книг; 98,85% — классический арабский из библиотеки Shamela, 1,15% — современный литературный арабский |
| [Бенчмарк Fadel et al.](https://github.com/AliOsm/arabic-text-diacritization) | Около 2,3 млн слов, извлечённых из Tashkeela; 50 000 строк для обучения, 2500 для валидации и 2500 для теста |
| Бенчмарк CATT | 742 новостных предложения с ручной огласовкой, опубликованы вместе с моделями CATT |
| WikiNews | 400 новостных предложений на MSA с ручной огласовкой |

Tashkeela и набор Fadel в основном классические. Если ваш текст — современный деловой или новостной арабский, ближе наборы CATT и WikiNews, а ближе всего — выборка вашего собственного текста.

## Какой промпт сохраняет буквы нетронутыми?

Задача модели — добавить знаки и больше ничего не трогать. LLM любят помогать: они исправят الى на إلى, заменят конечную ى на ي или добавят пропущенную хамзу. Каждое из этих изменений может быть правильным арабским, но это исправление орфографии, а не огласовка. Оно меняет ваш текст без предупреждения.

Поэтому промпт формулирует правило, а код его обеспечивает: удалите огласовки из ответа и сравните с входом, из которого они тоже удалены. Если отличается хоть одна буква, пробел или знак препинания, ответ отклоняется.

```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))
```

Мы запускали это на локальном mock-сервере, а не на реальном API. Его заготовленный ответ на первое предложение оба раза «исправлял» الى на إلى, а ответ на второе был чистым. Вывод:

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

Замечания к коду:

-   **Сначала Unicode NFC.** Хамза может прийти как один составной символ (أ) или как буква плюс комбинируемый знак. NFC приводит обе стороны к одному виду до сравнения. [Статья о нормализации](https://broadrouter.com/ru/blog/arabic-text-normalization-search/) подробно разбирает эту ловушку.
-   **`max_tokens=4000`.** Документация BroadNet говорит, что DeepSeek V4.1 Flash, GLM 5.3 и Qwen3.8 27B рассуждают перед ответом и рассуждения учитываются в `max_tokens`. Слишком маленький лимит даёт пустой ответ, который проверка отклонит. Оставляйте запас или задайте `reasoning_effort` low; см. [пустые ответы от моделей с рассуждениями](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/) и [калькулятор бюджета токенов рассуждений](https://broadrouter.com/tools/reasoning-token-budget/).
-   **Проверка не тестирует правило «сохраняй существующие огласовки».** Если вход частично огласован, сравнивайте и эти знаки.
-   **Орфография — отдельное решение.** Если вы хотите исправить الى, сначала запустите шаг исправления, затем расставляйте огласовки в исправленном тексте. Если смешать эти шаги, проверить нельзя будет ни один из них.
-   **Делите длинный текст на части.** Отправляйте одно предложение или абзац на запрос. Сам CATT ограничивает вход 1024 символами и режет длинные предложения по знакам препинания; та же привычка делает ответы LLM короткими, а повторы — дешёвыми.

Общие советы по арабским промптам, в том числе когда запрещать модели добавлять огласовки, — в статье [промпт-инжиниринг для арабского](https://broadrouter.com/ru/blog/arabic-prompt-engineering/).

## Как оценивать огласовку: DER и WER?

**Доля ошибок в огласовках (DER)** — доля букв, огласовки которых отличаются от эталона. **Доля ошибочных слов (WER)** здесь — доля слов, в которых хотя бы одна неверная огласовка. Это не WER из распознавания речи, о котором [наша статья про ASR](https://broadrouter.com/ru/blog/arabic-asr-wer-explained/): здесь считаются слова с неверным знаком, а не вставленные или удалённые слова.

Две настройки сильно меняют цифры:

-   **С флективными окончаниями или без них.** Последняя буква слова несёт его падеж (и’раб), который зависит от синтаксиса. Статьи приводят оба варианта, потому что на флективные окончания приходится много ошибок.
-   **Учитываются ли буквы без огласовки.** Одни скрипты считают голую букву (например, алиф в الطالب) верным предсказанием «без огласовки», другие её пропускают. В скрипте оценки Fadel для этого есть флаг.

Опубликованные скрипты делают этот выбор по-разному, поэтому сравнивайте только цифры, полученные одним и тем же скриптом. Этот достаточно короткий, чтобы его прочитать:

```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))
```

В игрушечном предсказании два неверных флективных окончания и одна неверная внутренняя гласная на 32 буквы и 7 слов. Скрипт выводит DER 9,38 и WER 42,86 с флективными окончаниями и DER 4,0 и WER 14,29 без них. Обратите внимание, как WER раздувает несколько ошибок: один неверный знак портит целое слово.

Скрипт отказывается оценивать слово, в котором изменились буквы. Это сделано намеренно. Инструмент огласовки, который правит буквы, провалил задачу, и его DER ничего бы не значил.

Для второй проверки мы прогнали Mishkal 0.4.1, огласовщик на правилах, на одном предложении из 16 слов, которое огласовали вручную. Все четыре его ошибки пришлись на флективные окончания, например مُحَمَّدُ вместо مُحَمَّدٌ. Результат — DER 5,88 с флективными окончаниями и 0,0 без них. Одно предложение ничего не доказывает про Mishkal; оно показывает, зачем приводить оба варианта.

Чтобы собрать тестовый набор, возьмите от 100 до 200 предложений своего текста, попросите носителя языка расставить огласовки, удалите знаки и прогоните каждого кандидата. Человеческую версию сохраните как эталон.

## Когда специализированный инструмент лучше LLM?

| Выбирайте | Когда |
| --- | --- |
| Специализированную модель (CATT, libtashkeel, Mishkal) | Большой объём, однотипные тексты, жёсткие требования к задержке, работа офлайн или на устройстве, либо нужен вывод, который по устройству не меняет буквы |
| LLM через API | Небольшой или неравномерный объём, смешанный или грязный ввод, команда без ML-инфраструктуры или конвейер, который уже вызывает LLM на других шагах |

Специализированные модели предсказывают знак для каждой буквы, поэтому переписать ваш текст они не могут. [CATT](https://github.com/abjadai/catt) распространяется под Apache 2.0 и ставится командой `pip install catt-tashkeel`; README советует модель encoder-only для скорости и encoder-decoder для точности. [libtashkeel](https://github.com/mush42/libtashkeel) — под MIT, обучена в основном на MSA. [Mishkal](https://pypi.org/project/mishkal/) работает на правилах и распространяется под GPL, что важно, если вы встраиваете его в продукт.

С LLM быстрее начать, и она справляется с вводом, которого обученная модель никогда не видела: диалект, смесь арабского и английского, странная пунктуация. Но ей нужна проверка скелета, описанная выше, на каждом ответе, и она стоит денег за каждый токен.

## Сколько стоит огласовка через LLM?

Огласовки — это дополнительные символы, и токенизаторы режут их на дополнительные токены. Мы посчитали тестовый набор Fadel из 2500 строк (125 098 слов) собственным токенизатором каждой модели, голый текст против полностью огласованного:

| Токенизатор | Голый текст | С огласовками | Соотношение |
| --- | --- | --- | --- |
| 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× |

Вы платите за входные токены голого текста и за выходные токены огласованного ответа, плюс за рассуждения. Дороже выход: $2.17 за 1 млн токенов у [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/), $0.52 у [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/), $3.46 у [GLM 5.3](https://broadrouter.com/ru/models/glm-5.3/) и $0.22 у [Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/), по странице цен BroadNet. Повторы после проваленной проверки добавляют ещё. Вставьте свой текст в [счётчик токенов для арабского](https://broadrouter.com/tools/arabic-token-counter/), чтобы проверить соотношение на своих данных, а почему арабский вообще стоит больше токенов, объясняет статья [токены на слово в арабском и английском](https://broadrouter.com/ru/blog/tokens-per-word-arabic-english/).

Для разовой обработки большого архива тарифы DeepSeek V4.1 Flash заменяют счётчик фиксированной ценой за сессию ($15 в неделю или $1 в час); каждая сессия выполняет один запрос за раз, поэтому планируйте прогон, как в статье [пакетная обработка без Batch API](https://broadrouter.com/ru/blog/llm-batch-processing-without-batch-api/).

## Где здесь BroadNet Inference

BroadRouter — собственный сайт BroadNet. BroadNet Inference обслуживает четыре чат-модели, упомянутые выше, через один OpenAI-совместимый эндпоинт, поэтому код работает с [OpenAI Python SDK](https://broadrouter.com/ru/guides/openai-python-sdk/), как только заданы базовый URL и ключ. Gemma 4 VL 26B работает на стартовом гранте $5; для DeepSeek, GLM и Qwen нужно пополнение баланса. У BroadNet нет эндпоинта огласовки, нет собственного опубликованного бенчмарка огласовки и нет синтеза речи. Какая из её моделей лучше всего огласует ваш текст, не измерялось: оцените их на своей выборке, прежде чем выбирать. Детали запросов — в [справочнике API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-arabic-diacritization-llm&utm_content=body).

Бесплатные инструменты по теме (на английском)

-   [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.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Арабские огласовки (ташкиль, tashkeel)](https://broadrouter.com/ru/glossary/arabic-diacritics/)

Арабские огласовки, или ташкиль, — это небольшие знаки над буквами или под ними, которые обозначают краткие гласные, удвоенные согласные и отсутствие гласного. Они необязательны: в большинстве арабских текстов, включая новости, их нет, и читатель или программа восстанавливает гласные по контексту.

[Доля ошибок в словах (word error rate, WER)](https://broadrouter.com/ru/glossary/word-error-rate/)

Доля ошибок в словах (word error rate, WER) — это стандартная метрика точности распознавания речи: число замен, пропусков и вставок слов, нужных, чтобы превратить расшифровку в правильный эталон, делённое на число слов в эталоне. Чем меньше, тем лучше.

[Токен (token)](https://broadrouter.com/ru/glossary/token/)

Токен — это единица текста, которую языковая модель читает и пишет: слово, часть слова, знак препинания или последовательность байтов, которую выдаёт токенизатор модели. LLM API считают, ограничивают и обычно тарифицируют использование в токенах.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Синтез речи (text-to-speech, TTS)](https://broadrouter.com/ru/glossary/text-to-speech/)

Синтез речи (text-to-speech, TTS) — это преобразование письменного текста в звучащую речь. API TTS принимает текст, голос и формат вывода, например MP3 или WAV, и возвращает сгенерированную речь. Это обратная задача по отношению к распознаванию речи, которое превращает аудио в текст.

[Входные и выходные токены (input and output tokens)](https://broadrouter.com/ru/glossary/input-and-output-tokens/)

Входные токены — это токены, которые языковая модель читает в запросе: системный промпт, история диалога, описания инструментов и изображения. Выходные токены — это токены, которые она генерирует в ответ, включая рассуждения. LLM API обычно тарифицируют их по отдельности, и выход, как правило, дороже.

[Нормализация Unicode (Unicode normalization)](https://broadrouter.com/ru/glossary/unicode-normalization/)

Нормализация Unicode — это приведение текста к стандартной форме, чтобы одинаково выглядящие строки состояли из одних и тех же кодовых точек. Форм четыре: NFD, NFC, NFKD и NFKC; формы K вдобавок сводят символы совместимости, например арабские формы представления и лигатуры, к обычным буквам.

[Batch API (пакетная обработка запросов)](https://broadrouter.com/ru/glossary/batch-api/)

Batch API — это асинхронный эндпоинт LLM, который принимает сразу много запросов, обычно в виде файла, обрабатывает их не немедленно, а в пределах заданного окна, и возвращает результаты вместе. Такие провайдеры, как OpenAI и Anthropic, берут за пакетные запросы меньше, чем в своих стандартных API.

## Вопросы и ответы

### Как расставить огласовки в арабском тексте на Python?

Есть два пути. Установить специализированный инструмент, например catt-tashkeel (Apache 2.0) или mishkal (GPL), и вызывать его локально, либо отправить текст в LLM с промптом, который просит только ташкиль. С LLM всегда проверяйте, что ответ без огласовок совпадает с вашим входом.

### Хорошо ли ChatGPT или GPT-4 расставляют арабские огласовки?

На одних тестах близко к лучшим специализированным системам, на других заметно хуже. В статье CATT у GPT-4 DER 9,515% с флективными окончаниями на новостном бенчмарке против 8,624% у собственной модели авторов. Другая статья 2024 года сообщает для GPT-4 около 20% DER на бенчмарке Fadel. Проверяйте на своём тексте.

### Чем DER отличается от WER при оценке огласовки?

DER — доля букв с неверными огласовками. WER — доля слов, в которых есть хотя бы одна неверная огласовка, поэтому он всегда выше. Обе метрики приводят с флективными окончаниями (последняя буква каждого слова) и без них.

### Почему LLM меняет буквы, когда расставляет ташкиль?

Она заодно исправляет орфографию: الى превращается в إلى, ى в ي, появляется пропущенная хамза. Это может быть верно, но это исправление, а не огласовка, и оно ломает побуквенную оценку. Попросите модель так не делать, проверяйте каждый ответ, а орфографию, если нужно, исправляйте отдельным шагом.

### Может ли BroadNet озвучить огласованный текст?

Нет. У BroadNet Inference нет эндпоинта синтеза речи. Там есть чат-модели и распознавание речи. Если огласовка — первый этап конвейера TTS, отправляйте результат в отдельный сервис синтеза речи.

## Читайте также

-   [Нормализация арабского текста для поиска и RAG: что менять, а что нет](https://broadrouter.com/ru/blog/arabic-text-normalization-search/)
-   [Промпт-инжиниринг для арабского: регистр, RTL, цифры и смешанный текст](https://broadrouter.com/ru/blog/arabic-prompt-engineering/)
-   [Токены на слово: арабский и английский — почему арабский дороже](https://broadrouter.com/ru/blog/tokens-per-word-arabic-english/)
-   [Извлечение именованных сущностей из арабского с LLM: JSON и даты](https://broadrouter.com/ru/blog/arabic-named-entity-extraction-llm/)
-   [Как выбрать LLM API для арабского: что проверить](https://broadrouter.com/ru/blog/choosing-an-llm-for-arabic/)
-   [Пакетная обработка LLM без Batch API: возобновляемый раннер](https://broadrouter.com/ru/blog/llm-batch-processing-without-batch-api/)
-   [Проверка арабской орфографии и грамматики через LLM: руководство](https://broadrouter.com/ru/blog/arabic-grammar-spelling-correction-llm/)
-   [Протокол арабской встречи по записи: конвейер на API](https://broadrouter.com/ru/blog/arabic-meeting-minutes-from-recordings/)
-   [Сравнение API для OCR арабского: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/ru/blog/arabic-ocr-api-comparison/)
-   [Руководство: OpenAI Python SDK и BroadNet Inference](https://broadrouter.com/ru/guides/openai-python-sdk/)
-   [Руководство: Почему рассуждающая модель возвращает пустой ответ](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Alasmary, Zaafarani и Ghannam, CATT: Character-based Arabic Tashkeel Transformer (arXiv 2407.03236v3), таблицы 4 и 5, размер датасета, ограничение входа в 1024 символа (проверено 2026-11-15)](https://arxiv.org/html/2407.03236v3)
-   [abjadai/catt на GitHub: лицензия Apache 2.0, пакет pip catt-tashkeel, модели encoder-only и encoder-decoder (проверено 2026-11-15)](https://github.com/abjadai/catt)
-   [Fadel et al., Arabic Text Diacritization Using Deep Neural Networks (arXiv 1905.01965): 55 тыс. строк, около 2,3 млн слов из Tashkeela (проверено 2026-11-15)](https://arxiv.org/abs/1905.01965)
-   [AliOsm/arabic-text-diacritization на GitHub: разбиение 50 000 / 2500 / 2500 строк, лицензия MIT, diacritization\_stat.py (проверено 2026-11-15)](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki и Balla, Tashkeela: Novel corpus of Arabic vocalized texts, Data in Brief 2017: 75 629 921 слово, 97 книг, 98,85% классический арабский (проверено 2026-11-15)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj и Berrada, Arabic Text Diacritization in the Age of Transfer Learning (arXiv 2401.04848): GPT-4 около 20% DER и 30% WER на бенчмарке Fadel (проверено 2026-11-15)](https://arxiv.org/html/2401.04848v1)
-   [Mishkal на PyPI: версия 0.4.1, GPL, использование TashkeelClass (проверено 2026-11-15)](https://pypi.org/project/mishkal/)
-   [mush42/libtashkeel на GitHub: библиотека восстановления огласовок, лицензия MIT, модели обучены в основном на MSA (проверено 2026-11-15)](https://github.com/mush42/libtashkeel)
-   [Справочник API BroadNet Inference: ID моделей, рассуждения учитываются в max\_tokens, reasoning\_effort, эндпоинты (проверено 2026-11-15) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-arabic-diacritization-llm&utm_content=sources)
