---
title: "LLM ile Arapça metne hareke (teşkil) ekleme | BroadRouter"
description: "Arapça harekeleri (teşkil) bir LLM API ile geri getirin: her harfi koruyan istem, düzenlemeyi reddeden kontrol, DER ve WER puanlaması, CATT ne zaman seçilmeli."
url: https://broadrouter.com/tr/blog/arabic-diacritization-llm/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/arabic-diacritization-llm/) (güncelleme: 2026-11-16).

# LLM ile Arapça metne hareke ekleme: istem, kontrol, DER

BroadNet Inference ekibi · 8 dk okuma · Yayımlandı 2026-11-15 · Güncellendi 2026-11-16

Modelden yalnızca tam teşkil isteyin, sonra yanıttaki harekeleri silip girdinizle karşılaştırın. Tek bir harf bile değiştiyse yanıtı reddedip yeniden deneyin. Elle kontrol edilmiş bir örneklemi, i'rab harekeleri dahil ve hariç, hareke hata oranı (DER) ve kelime hata oranı (WER) ile puanlayın. Yayımlanmış sonuçlar GPT-4'ü en iyi özel hareke araçlarına yakın ama onların gerisinde gösteriyor.

## Öne çıkanlar

-   LLM ile hareke eklemeyi güvenli kılan tek kural: harekeleri silinmiş yanıt, girdiyle birebir aynı olmalı. Değilse model bir harfi değiştirmiştir ve yanıtı reddedersiniz.
-   CATT kıyaslamasında (742 haber cümlesi) CATT kodlayıcı-kod çözücü modeli, i'rab harekeleri dahil %8,624 DER aldı; GPT-4 %9,515, Mishkal ise %16,482 aldı (CATT makalesi, 2024).
-   Zor kısım i'rab harekeleri. Yayımlanmış her tablo DER ve WER'i bunlar dahil ve hariç ayrı ayrı veriyor ve aradaki fark büyük. Kendi testlerinizde ikisini de raporlayın.
-   Harekeli metin daha çok token tutar. 2.500 satırlık Fadel test setinde tam teşkil, çalıştırdığımız dört model tokenizer'ında çıplak metnin 2,07 ile 3,21 katı token tuttu.
-   Yüksek hacim ve sabit metin türleri için CATT (Apache 2.0) gibi açık kaynaklı özel bir hareke aracı daha ucuzdur ve tasarımı gereği harfleri korur. LLM ile başlamak daha kolaydır ve alışılmadık girdilerle başa çıkar.

**Bu sayfada**

1.  Harekelere ne zaman ihtiyaç duyarsınız?
2.  LLM’ler hareke eklemede ne kadar iyi?
3.  Hangi test setleri var?
4.  Hangi istem harfleri olduğu gibi korur?
5.  Hareke ekleme nasıl puanlanır: DER ve WER
6.  Özel bir hareke aracı LLM’i ne zaman geçer?
7.  LLM ile hareke eklemenin maliyeti ne?
8.  BroadNet Inference nerede devreye girer?

Arapça normalde kısa ünlüler olmadan yazılır. Okuyucu bunları bağlamdan tamamlar; yazılım ise çoğu zaman tamamlayamaz. Bunları geri getirmek (hareke ekleme ya da teşkil), cümleye göre كتب’yi كَتَبَ (yazdı), كُتُبٌ (kitaplar) veya كُتِبَ (yazıldı) yapar. Bu yazı, bunu OpenAI uyumlu bir API üzerinden bir LLM ile nasıl yapacağınızı, modelin metninizi sessizce değiştirmesini nasıl önleyeceğinizi ve sonucu özel bir hareke aracıyla nasıl karşılaştıracağınızı gösteriyor.

## Harekelere ne zaman ihtiyaç duyarsınız?

-   **Metinden sese (TTS).** Bir sesin kelimeyi telaffuz edebilmesi için ünlülere ihtiyacı vardır. CATT makalesi metinden sese ve makine çevirisini harekelerin iyileştirdiği uygulamalar arasında sayıyor. BroadNet Inference’ın metinden sese uç noktası yok; bu yüzden bir TTS hattında harekeli metin ayrı bir TTS hizmetine gider.
-   **Öğrenciler ve çocuk materyalleri.** Okumayı hâlâ öğrenen okuyucular bu işaretlere dayanır.
-   **Belirsiz adlar ve terimler.** Yanlış bir ünlünün anlamı değiştirdiği özel adlar, nadir kelimeler ve teknik terimler.
-   **Dinî ve klasik metinler.** Burada işaretler metnin parçasıdır; otomatik bir araç yalnızca insan denetiminde boşlukları doldurmalıdır.

Arama ya da erişim (retrieval) için genellikle hareke istemezsiniz. Orada onları silersiniz; bkz. [arama için Arapça metin normalleştirme](https://broadrouter.com/tr/blog/arabic-text-normalization-search/). Ücretsiz [Arapça metin normalleştirici](https://broadrouter.com/tools/arabic-text-normalizer/) bu silme işini tarayıcıda yapar. Hareke ekleme bunun tersidir ve çok daha zordur: işaretleri silmek bir tablo aramasıdır, eklemek ise dil bilgisi ve bağlam ister.

## LLM’ler hareke eklemede ne kadar iyi?

Dikkatle okunması gereken iki yayımlanmış sonuç:

| Sistem | CATT kıyaslaması, i’rab dahil DER | Hariç DER | i’rab dahil WER | Hariç WER |
| --- | --- | --- | --- | --- |
| CATT kodlayıcı-kod çözücü | %8,624 | %6,989 | %34,191 | %28,477 |
| CATT yalnızca kodlayıcı | %8,762 | %7,088 | %35,508 | %29,714 |
| GPT-4 (makale metnine göre 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 |

Kaynak: [CATT makalesi](https://arxiv.org/html/2407.03236v3), Tablo 4 (2024). Düşük olan daha iyidir. Kıyaslama, 2023’te toplanmış, anadili Arapça olan iki uzman tarafından harekelenmiş ve üçüncü bir uzman tarafından kontrol edilmiş 742 haber cümlesinden oluşuyor.

Makalenin ikinci test setinde, WikiNews’te (400 cümle), GPT-4 diğer her şeyden çok daha iyi sonuç aldı: %0,551 DER. Yazarlar bu satırı işaretliyor ve modelin WikiNews’ü eğitimde görmüş olabileceğini öne sürüyor. LLM kıyaslamaları için genel uyarı da bu: herkese açık test metni eğitim verisinde olabilir. CATT yazarları aynı kaygıyı, kitaplarında çok sayıda Kur’an ve hadis alıntısı bulunan Tashkeela için de dile getiriyor.

Skiredj ve Berrada’nın 2024 tarihli ayrı bir makalesi, Fadel vd. kıyaslamasında GPT-4 için yaklaşık %20 DER ve %30 WER bildiriyor; ancak yukarıdaki tabloyla karşılaştırmamız için gereken ayrıntıyı vermiyor.

Yani GPT-4 sınıfı modeller özel bir hareke aracına yaklaşabilir, ama gerisinde de kalabilir. İki makale de bugün çağırabileceğiniz açık modellerden önce yazıldı. Kendi metninizde ölçün.

## Hangi test setleri var?

| Veri seti | Nedir |
| --- | --- |
| [Tashkeela](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/) | 97 kitaptan 75.629.921 tam harekeli kelime; %98,85’i Shamela kütüphanesinden klasik Arapça, %1,15’i Modern Standart Arapça |
| [Fadel vd. kıyaslaması](https://github.com/AliOsm/arabic-text-diacritization) | Tashkeela’dan çıkarılmış yaklaşık 2,3 milyon kelime; 50.000 eğitim, 2.500 doğrulama ve 2.500 test satırı |
| CATT kıyaslaması | Elle harekelenmiş 742 haber cümlesi, CATT modelleriyle birlikte yayımlandı |
| WikiNews | Elle harekelenmiş 400 MSA haber cümlesi |

Tashkeela ve Fadel seti ağırlıklı olarak klasik. Metniniz modern iş ya da haber Arapçasıysa CATT ve WikiNews setleri daha yakındır; kendi metninizden bir örneklem ise en yakınıdır.

## Hangi istem harfleri olduğu gibi korur?

Modelin işi işaret eklemek ve başka hiçbir şeye dokunmamak. LLM’ler yardım etmeyi sever: الى’yı إلى’ya düzeltir, sondaki ى’yı ي yapar ya da eksik bir hemze ekler. Bunların her biri doğru Arapça olabilir, ama bu hareke ekleme değil, yazım düzeltmesidir. Metninizi size haber vermeden değiştirir.

Bu yüzden istem kuralı söyler, kod da uygular: yanıttaki harekeleri silin ve harekeleri silinmiş girdiyle karşılaştırın. Tek bir harf, boşluk ya da noktalama işareti farklıysa yanıt reddedilir.

```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))
```

Bunu canlı API’ye karşı değil, yerel bir sahte (mock) sunucuya karşı çalıştırdık. Sunucunun ilk cümle için hazır yanıtı iki denemede de الى’yı إلى’ya “düzeltti”; ikinci cümlenin yanıtı ise temizdi. Çıktı şöyleydi:

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

Kodla ilgili notlar:

-   **Önce Unicode NFC.** Bir hemze tek bir hazır karakter (أ) olarak da, bir harf artı birleşen bir işaret olarak da gelebilir. NFC, karşılaştırmadan önce iki tarafı aynı hâle getirir. [Normalleştirme yazısı](https://broadrouter.com/tr/blog/arabic-text-normalization-search/) bu tuzağı ayrıntılı anlatıyor.
-   **`max_tokens=4000`.** BroadNet’in dokümantasyonuna göre DeepSeek V4.1 Flash, GLM 5.3 ve Qwen3.8 27B yanıt vermeden önce akıl yürütür ve akıl yürütme `max_tokens`’a sayılır. Çok küçük bir sınır boş bir yanıt döndürür, kontrol de onu reddeder. Pay bırakın ya da `reasoning_effort` değerini low yapın; bkz. [akıl yürütme modellerinden boş yanıtlar](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/) ve [akıl yürütme token bütçesi hesaplayıcısı](https://broadrouter.com/tools/reasoning-token-budget/).
-   **Kontrol “mevcut harekeleri koru” kuralını test etmez.** Girdiniz kısmen harekeliyse bu işaretleri de karşılaştırın.
-   **Yazım ayrı bir karardır.** الى’nın düzeltilmesini istiyorsanız önce bir düzeltme adımı çalıştırın, sonra düzeltilmiş metne hareke ekleyin. İkisini karıştırmak, ikisinin de kontrol edilmesini imkânsız kılar.
-   **Uzun metni parçalayın.** İstek başına bir cümle ya da bir paragraf gönderin. CATT’in kendisi girdiyi 1.024 karakterle sınırlar ve uzun cümleleri noktalama işaretlerinden böler; aynı alışkanlık LLM yanıtlarını kısa, yeniden denemeleri de ucuz tutar.

Bir modele hareke eklememesini ne zaman söyleyeceğiniz dahil, Arapça istem yazımıyla ilgili genel öneriler için bkz. [Arapça istem mühendisliği](https://broadrouter.com/tr/blog/arabic-prompt-engineering/).

## Hareke ekleme nasıl puanlanır: DER ve WER

**Hareke hata oranı (DER),** harekeleri referanstan farklı olan harflerin oranıdır. **Kelime hata oranı (WER)** burada en az bir yanlış harekesi olan kelimelerin oranıdır. Bu, [ASR yazımızdaki](https://broadrouter.com/tr/blog/arabic-asr-wer-explained/) konuşma tanıma WER’i değildir; eklenen ya da silinen kelimeleri değil, yanlış işareti olan kelimeleri sayar.

İki ayar sayıları çok değiştirir:

-   **i’rab harekeleri dahil ya da hariç.** Bir kelimenin son harfi, sözdizimine bağlı olan dil bilgisel durumunu (i’rab) taşır. Makaleler iki ayarı da raporlar, çünkü hataların çoğu bu son harekelerden gelir.
-   **Harekesiz harflerin sayılması.** Bazı betikler harekesiz bir harfi (الطالب’deki elif gibi) doğru bir “hareke yok” tahmini olarak sayar, bazıları atlar. Fadel puanlama betiğinde bunun için bir bayrak var.

Yayımlanmış betikler bu seçimlerde farklılaşır; bu yüzden yalnızca aynı betiğin ürettiği sayıları karşılaştırın. Bu betik okunacak kadar kısa:

```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))
```

Örnek tahminde 32 harf ve 7 kelime içinde iki yanlış i’rab harekesi ve bir yanlış iç ünlü var. i’rab dahil DER 9.38 ve WER 42.86, hariç DER 4.0 ve WER 14.29 yazdırıyor. WER’in birkaç hatayı nasıl büyüttüğüne dikkat edin: tek bir yanlış işaret bütün bir kelimeyi bozar.

Betik, harfleri değişmiş bir kelimeyi puanlamayı reddeder. Bu bilinçli bir tercih. Harfleri düzenleyen bir hareke aracı görevi başaramamıştır ve DER değeri anlamsız olur.

İkinci bir kontrol olarak kural tabanlı bir hareke aracı olan Mishkal 0.4.1’i elle harekelediğimiz 16 kelimelik tek bir cümlede çalıştırdık. Dört hatasının dördü de i’rab harekesiydi; örneğin مُحَمَّدٌ yerine مُحَمَّدُ. i’rab dahil DER 5.88, hariç 0.0 aldı. Tek bir cümle Mishkal hakkında hiçbir şey kanıtlamaz; iki ayarı da neden raporlamanız gerektiğini gösterir.

Bir test seti oluşturmak için kendi metninizden 100 ila 200 cümle alın, anadili Arapça olan birine harekeletin, işaretleri silin ve her adayı çalıştırın. İnsan sürümünü altın standart (gold) olarak saklayın.

## Özel bir hareke aracı LLM’i ne zaman geçer?

| Seçin | Ne zaman |
| --- | --- |
| Özel bir model (CATT, libtashkeel, Mishkal) | Yüksek hacim, sabit metin türü, katı gecikme şartı, çevrimdışı ya da cihaz üzerinde kullanım veya tasarımı gereği harfi harfine çıktı ihtiyacı |
| API üzerinden bir LLM | Düşük ya da düzensiz hacim, karışık veya dağınık girdi, ML operasyonu olmayan bir ekip ya da diğer adımlar için zaten LLM çağıran bir hat |

Özel modeller harf başına bir işaret tahmin eder; bu yüzden metninizi yeniden yazamazlar. [CATT](https://github.com/abjadai/catt) Apache 2.0 lisanslıdır ve `pip install catt-tashkeel` ile kurulur; README’si hız için yalnızca kodlayıcı modeli, doğruluk için kodlayıcı-kod çözücüyü öneriyor. [libtashkeel](https://github.com/mush42/libtashkeel) MIT lisanslıdır ve ağırlıklı olarak MSA ile eğitilmiştir. [Mishkal](https://pypi.org/project/mishkal/) kural tabanlıdır ve GPL lisanslıdır; bir ürünün içinde dağıtacaksanız bu önemlidir.

LLM ile başlamak daha hızlıdır ve eğitilmiş bir modelin hiç görmediği girdiyle de başa çıkar: lehçe, karışık Arapça ve İngilizce, alışılmadık noktalama. Her yanıtta yukarıdaki iskelet kontrolünü gerektirir ve token başına ücretlendirilir.

## LLM ile hareke eklemenin maliyeti ne?

Harekeler ek karakterlerdir ve tokenizer’lar bunları ek token’lara böler. 2.500 satırlık Fadel test setini (125.098 kelime) her modelin kendi tokenizer’ıyla, çıplak metne karşı tam harekeli metin olarak saydık:

| Tokenizer | Çıplak metin | Harekeli | Oran |
| --- | --- | --- | --- |
| 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× |

Çıplak metin için girdi token’ı, harekeli yanıt için çıktı token’ı ve varsa akıl yürütme için ödersiniz. Pahalı taraf çıktıdır: BroadNet’in fiyatlar sayfasına göre milyon token başına [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) için $2.17, [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) için $0.52, [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) için $3.46 ve [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) için $0.22. Başarısız bir kontrolden sonraki yeniden denemeler buna eklenir. Oranı kendi verinizde kontrol etmek için metninizi [Arapça token sayacına](https://broadrouter.com/tools/arabic-token-counter/) yapıştırın; Arapçanın neden en baştan daha fazla token tuttuğu için bkz. [Arapça ve İngilizcede kelime başına token](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/).

Büyük bir arşiv üzerinde tek seferlik bir iş için DeepSeek V4.1 Flash planları sayacı oturum başına sabit bir fiyatla değiştirir (haftada $15 veya saatte $1); her oturum aynı anda bir istek çalıştırır, bu yüzden işi [batch API olmadan toplu işleme](https://broadrouter.com/tr/blog/llm-batch-processing-without-batch-api/) yazısındaki gibi planlayın.

## BroadNet Inference nerede devreye girer?

BroadRouter, BroadNet’in kendi sitesidir. BroadNet Inference yukarıdaki dört sohbet modelini tek bir OpenAI uyumlu uç nokta üzerinden sunar; böylece base URL ve anahtar ayarlandığında kod [OpenAI Python SDK](https://broadrouter.com/tr/guides/openai-python-sdk/) ile çalışır. Gemma 4 VL 26B $5 başlangıç kredisiyle çalışır; DeepSeek, GLM ve Qwen bakiye yükleme gerektirir. BroadNet’in hareke ekleme uç noktası yok, kendine ait bir hareke ekleme kıyaslaması yayımlamıyor ve metinden sese hizmeti yok. Modellerinden hangisinin metninize en iyi hareke eklediği ölçülmüş değil: seçmeden önce onları kendi örnekleminizde puanlayın. İstek ayrıntıları için [API başvurusuna](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-arabic-diacritization-llm&utm_content=body) bakın.

Bu konu için ücretsiz araçlar (İngilizce)

-   [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.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Kelime hata oranı (WER)](https://broadrouter.com/tr/glossary/word-error-rate/)

Kelime hata oranı (word error rate, WER), konuşma tanımada standart doğruluk ölçüsüdür: bir transkripti doğru referansa dönüştürmek için gereken kelime değiştirme, silme ve ekleme sayısının referanstaki kelime sayısına bölümüdür. Düşük olan daha iyidir.

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Metinden sese (text-to-speech, TTS)](https://broadrouter.com/tr/glossary/text-to-speech/)

Metinden sese (text-to-speech, TTS) veya ses sentezi, yazılı metni konuşma sesine dönüştürür. Bir TTS API'si metni, bir sesi ve MP3 veya WAV gibi bir çıktı formatını alır ve üretilmiş konuşmayı döndürür. Sesi metne dönüştüren konuşmadan metnenin tersidir.

[Tokenizer](https://broadrouter.com/tr/glossary/tokenizer/)

Tokenizer, metni bir dil modelinin okuduğu tam sayı token kimlikleri dizisine dönüştüren ve üretilen kimlikleri tekrar metne çeviren bileşendir. Her model kendi tokenizer'ıyla gelir; bu yüzden aynı metin farklı modellerde farklı sayıda token üretebilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Base URL (temel URL)](https://broadrouter.com/tr/glossary/base-url/)

Base URL (temel URL), https://api.example.com/v1 gibi, bir istemcinin /chat/completions gibi her uç nokta yolunun önüne eklediği sabit kök adrestir. OpenAI uyumlu SDK'larda base URL, API anahtarı ve model kimliğiyle birlikte değiştirildiğinde aynı kod farklı bir sağlayıcıya yönelir.

[Batch API (toplu işlem API'si)](https://broadrouter.com/tr/glossary/batch-api/)

Batch API, çok sayıda isteği genellikle bir dosya olarak tek seferde kabul eden, bunları hemen değil belirli bir süre içinde işleyen ve sonuçları birlikte döndüren asenkron bir LLM uç noktasıdır. OpenAI ve Anthropic gibi sağlayıcılar batch isteklerini standart API'lerine göre indirimli fiyatlandırır.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

## Sık sorulan sorular

### Python'da Arapça metne nasıl hareke eklerim?

İki yol var. catt-tashkeel (Apache 2.0) ya da mishkal (GPL) gibi özel bir hareke aracını kurup yerelde çağırın veya metni yalnızca teşkil isteyen bir istemle bir LLM'e gönderin. LLM kullanıyorsanız yanıtın harekesiz hâlinin girdinizle aynı olduğunu her seferinde kontrol edin.

### ChatGPT veya GPT-4 Arapça hareke eklemede iyi mi?

Bazı testlerde en iyi özel sistemlere yakın, bazılarında gerisinde. CATT makalesi kendi haber kıyaslamasında GPT-4'ü i'rab harekeleri dahil %9,515 DER ile ölçtü; kendi modeli %8,624 aldı. 2024 tarihli başka bir makale Fadel kıyaslamasında GPT-4 için yaklaşık %20 DER bildiriyor. Kendi metninizde test edin.

### Hareke eklemede DER ile WER arasındaki fark ne?

DER, harekesi yanlış olan harflerin oranıdır. WER, en az bir yanlış harekesi olan kelimelerin oranıdır; bu yüzden her zaman daha yüksektir. İkisi de i'rab harekeleri (her kelimenin son harfi) dahil ve hariç olarak raporlanır.

### LLM teşkil eklerken neden harfleri değiştiriyor?

Yazımı da düzeltiyor: الى إلى olur, ى harfi ي olur, eksik bir hemze belirir. Bu doğru olabilir ama hareke ekleme değil, düzeltmedir ve harf harf puanlamayı bozar. Modelden bunu yapmamasını isteyin, her yanıtı kontrol edin ve yazım düzeltmesi istiyorsanız onu ayrı bir adımda çalıştırın.

### BroadNet harekeli metni sesli okuyabilir mi?

Hayır. BroadNet Inference'ın metinden sese uç noktası yok; sohbet modelleri ve konuşmadan metne sunuyor. Hareke ekleme bir TTS hattının ön adımıysa sonucu ayrı bir TTS hizmetine gönderin.

## Okumaya devam edin

-   [Arama ve RAG için Arapça metin normalleştirme: neyi değiştirmeli?](https://broadrouter.com/tr/blog/arabic-text-normalization-search/)
-   [Arapça istem mühendisliği: dil düzeyi, RTL, rakamlar, karışık metin](https://broadrouter.com/tr/blog/arabic-prompt-engineering/)
-   [Arapça ve İngilizcede kelime başına token: Arapça neden pahalı?](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/)
-   [LLM ile Arapça varlık çıkarımı: JSON, tarihler ve denetimler](https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/)
-   [Arapça için LLM API seçimi: neler test edilmeli?](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/)
-   [Batch API olmadan LLM toplu işleme: kaldığı yerden devam eden betik](https://broadrouter.com/tr/blog/llm-batch-processing-without-batch-api/)
-   [LLM ile Arapça dil bilgisi ve yazım düzeltme: adım adım](https://broadrouter.com/tr/blog/arabic-grammar-spelling-correction-llm/)
-   [Kayıtlardan Arapça toplantı tutanağı: bir API hattı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/)
-   [Arapça OCR API karşılaştırması: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/tr/blog/arabic-ocr-api-comparison/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [Alasmary, Zaafarani ve Ghannam, CATT: Character-based Arabic Tashkeel Transformer (arXiv 2407.03236v3), Tablo 4 ve 5, veri seti boyutu, 1.024 karakterlik girdi sınırı (kontrol tarihi 2026-11-15)](https://arxiv.org/html/2407.03236v3)
-   [GitHub'da abjadai/catt: Apache 2.0 lisansı, catt-tashkeel pip paketi, yalnızca kodlayıcı ve kodlayıcı-kod çözücü modeller (kontrol tarihi 2026-11-15)](https://github.com/abjadai/catt)
-   [Fadel vd., Arabic Text Diacritization Using Deep Neural Networks (arXiv 1905.01965): Tashkeela'dan 55 bin satır, yaklaşık 2,3 milyon kelime (kontrol tarihi 2026-11-15)](https://arxiv.org/abs/1905.01965)
-   [GitHub'da AliOsm/arabic-text-diacritization: 50.000 / 2.500 / 2.500 satırlık bölünme, MIT lisansı, diacritization\_stat.py (kontrol tarihi 2026-11-15)](https://github.com/AliOsm/arabic-text-diacritization)
-   [Zerrouki ve Balla, Tashkeela: Novel corpus of Arabic vocalized texts, Data in Brief 2017: 75.629.921 kelime, 97 kitap, %98,85 klasik (kontrol tarihi 2026-11-15)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5310197/)
-   [Skiredj ve Berrada, Arabic Text Diacritization in the Age of Transfer Learning (arXiv 2401.04848): Fadel kıyaslamasında GPT-4 için yaklaşık %20 DER ve %30 WER bildiriyor (kontrol tarihi 2026-11-15)](https://arxiv.org/html/2401.04848v1)
-   [PyPI'da Mishkal: 0.4.1 sürümü, GPL, TashkeelClass kullanımı (kontrol tarihi 2026-11-15)](https://pypi.org/project/mishkal/)
-   [GitHub'da mush42/libtashkeel: hareke geri getirme kütüphanesi, MIT lisansı, ağırlıklı olarak MSA ile eğitilmiş modeller (kontrol tarihi 2026-11-15)](https://github.com/mush42/libtashkeel)
-   [BroadNet Inference API başvurusu: model kimlikleri, akıl yürütmenin max\_tokens'a sayılması, reasoning\_effort, uç noktalar (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-arabic-diacritization-llm&utm_content=sources)
