---
title: "عربی WER کیا ہے: عربی ASR کا word error rate | BroadRouter"
description: "word error rate کا مطلب کیا ہے، اسے کیسے نکالیں، اور عربی WER اعراب، املا کی نارملائزیشن اور لہجوں پر اتنا منحصر کیوں ہے۔ Python اور اصل نمبروں کے ساتھ۔"
url: https://broadrouter.com/ur/blog/arabic-asr-wer-explained/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/arabic-asr-wer-explained/) (اپ ڈیٹ: 2026-11-14).

# عربی ASR میں word error rate (WER) کیا ہے، آسان الفاظ میں

BroadNet Inference ٹیم · 5 منٹ کی پڑھائی · شائع شدہ 2026-11-14

Word error rate (WER) بدلے گئے، حذف شدہ اور اضافی الفاظ کی تعداد کو ریفرنس ٹرانسکرپٹ کے الفاظ سے تقسیم کرنے پر ملتا ہے۔ کم بہتر ہے۔ عربی WER کا موازنہ مشکل ہے کیونکہ اعراب، الف اور تائے مربوطہ کی املا اور لہجے اسے بڑھا دیتے ہیں۔ BroadNet، BroadNet Transcribe Arabic کے لیے FLEURS-ar پر 3.8 اور لہجے والی آواز پر 23.4 WER رپورٹ کرتا ہے۔

## اہم نکات

-   WER = (substitutions + deletions + insertions) / ریفرنس کے الفاظ۔ یہ 100% سے اوپر بھی جا سکتا ہے۔
-   عربی املا کی شکلیں (أ/إ/ا، ة/ه، ى/ي، اعراب) غلطی گنی جا سکتی ہیں، جب تک آپ پہلے دونوں متن نارملائز نہ کریں۔
-   ہمیشہ بتائیں کہ آپ نے کون سی نارملائزیشن استعمال کی۔ مختلف نارملائزیشن والے دو WER نمبر موازنے کے قابل نہیں۔
-   BroadNet، BroadNet Transcribe Arabic کے لیے FLEURS-ar پر 3.8، MASC-ar پر 21.1 اور اپنے لہجہ سیٹ پر 23.4 رپورٹ کرتا ہے۔
-   صرف اسکور نہیں، غلطیاں پڑھیں: رقم میں ایک غلط ہندسہ دس غلط حروفِ جار سے زیادہ اہم ہے۔

**اس صفحے پر**

1.  Word error rate کیا ہے؟
2.  عربی WER کا موازنہ مشکل کیوں ہے؟
3.  نارملائزیشن اسکور کو کتنا بدلتی ہے؟
4.  Python میں عربی WER کیسے نکالیں؟
5.  BroadNet عربی کے لیے کتنا WER رپورٹ کرتا ہے؟
6.  اپنی آڈیو پر WER کیسے ناپیں؟
7.  WER کے علاوہ کیا ناپیں؟

[Word error rate](https://broadrouter.com/ur/glossary/word-error-rate/) (WER) بدلے گئے، حذف شدہ اور اضافی الفاظ کی تعداد کو درست ٹرانسکرپٹ کے الفاظ کی تعداد سے تقسیم کرنے پر ملتا ہے۔ کم بہتر ہے۔ عربی WER آسانی سے پھول جاتا ہے: ایک ہی درست ٹرانسکرپٹ کئی طریقوں سے لکھی جا سکتی ہے، اور سیدھا سادہ موازنہ املا کے ہر انتخاب، ہر اعراب اور لہجے کی ہر املا کو غلطی گنتا ہے۔

یہ پوسٹ بتاتی ہے کہ WER کیا ناپتا ہے، عربی اسے پھسلن والا کیوں بناتی ہے، اور اسے کیسے نکالیں تاکہ آپ کے نمبروں کا کوئی مطلب ہو۔ ٹیسٹ سیٹ خود بنانے کے لیے [عربی لہجوں کی speech recognition](https://broadrouter.com/ur/blog/arabic-dialect-speech-recognition/) دیکھیں؛ فراہم کنندہ چننے کے لیے [عربی speech-to-text API خریدار گائیڈ](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) دیکھیں۔

## Word error rate کیا ہے؟

Word error rate مشین کی ٹرانسکرپٹ (hypothesis) کا موازنہ انسان کی درست ٹرانسکرپٹ (ریفرنس) سے کرتا ہے۔ یہ الفاظ کی وہ کم سے کم تبدیلیاں ڈھونڈتا ہے جو ایک کو دوسرے میں بدل دیں:

-   **S، substitutions:** ایک لفظ کی جگہ دوسرا لفظ۔
-   **D، deletions:** ریفرنس کا کوئی لفظ جو hypothesis میں نہیں۔
-   **I، insertions:** hypothesis میں ایک اضافی لفظ۔

پھر:

**WER = (S + D + I) / N**، جہاں N ریفرنس کے الفاظ کی تعداد ہے۔

0.10 کا WER (جسے اکثر 10 لکھا جاتا ہے) یعنی ریفرنس کے تقریباً ہر دس الفاظ پر ایک غلطی۔ کم بہتر ہے۔ چونکہ insertions گنے جاتے ہیں، گھڑے ہوئے الفاظ سے بھری ٹرانسکرپٹ کا WER 100% سے اوپر جا سکتا ہے۔

Character error rate (CER) وہی فارمولا ہے، حروف پر۔ یہ عربی کے لیے مفید ہے، جہاں سابقے میں ایک غلط حرف پورے لفظ کو غلط گنوا دیتا ہے۔

## عربی WER کا موازنہ مشکل کیوں ہے؟

### 1\. اعراب

عربی کے چھوٹے حروفِ علت حروف کے اوپر اور نیچے اختیاری نشانات (تشکیل) کے طور پر لکھے جاتے ہیں: فتحہ، ضمہ، کسرہ، سکون، شدہ اور تنوین۔ روزمرہ متن میں یہ نہیں ہوتے۔ اگر آپ کے ریفرنس میں “مَدْرَسَةٌ” ہے اور ماڈل “مدرسة” لکھتا ہے، تو سخت موازنہ اسے substitution گنتا ہے، حالانکہ کوئی بھی عربی قاری اسے ایک ہی لفظ دیکھتا ہے۔

### 2\. املا کی شکلیں

کئی حروف کی عام، مانی ہوئی شکلیں ہیں:

| فرق | مثال | عام نارملائزیشن |
| --- | --- | --- |
| الف پر ہمزہ | أحمد / احمد، إلى / الى | أ إ آ کو ا میں بدلیں |
| تائے مربوطہ بمقابلہ ہا | مدرسة / مدرسه | ة کو ه میں بدلیں |
| الف مقصورہ بمقابلہ یا | على / علي (ڈھیلی تحریر میں) | ى کو ي میں بدلیں |
| الف کے ساتھ تنوین | صباحاً / صباحا | اعراب ہٹائیں |
| تطویل (کھنچاؤ) | جـمـيـل / جميل | ـ ہٹائیں |

### 3\. Clitics اور الفاظ کی حدیں

عربی حروفِ عطف، حروفِ جار اور ضمائر کو الفاظ سے جوڑ دیتی ہے: “وبمدرستهم” کا مطلب “اور ان کے اسکول میں” ہے، ایک لکھے ہوئے لفظ میں۔ اگر ماڈل space کے ساتھ “و بمدرستهم” لکھے تو الفاظ کی گنتی بدل جاتی ہے اور WER دو بار سزا دیتا ہے۔ کچھ جائزے پہلے الفاظ کو morphemes میں توڑتے ہیں؛ زیادہ تر نہیں۔ جان لیں کہ آپ کون سا پڑھ رہے ہیں۔

### 4\. لہجے

[جدید معیاری عربی](https://broadrouter.com/ur/glossary/msa/) کے برعکس لہجے والی آواز کی کوئی معیاری املا نہیں۔ مصری بولنے والے کا “مجھے چاہیے” “عايز” یا “عاوز” لکھا جا سکتا ہے؛ خلیجی کا “کیا” “وش” یا “ويش” ہو سکتا ہے۔ کچھ ٹرانسکرائبرز لہجے کو MSA میں “درست” بھی کر دیتے ہیں۔ معنی بالکل درست ہونے پر بھی ان میں سے ہر ایک WER کی غلطی ہے۔ لہجے کا WER پڑھی گئی آواز کے WER سے اتنا زیادہ ہونے کی بڑی وجہ یہی ہے۔

### 5\. نمبر اور code-switching

بولنے والے اکثر جملے کے بیچ انگریزی میں چلے جاتے ہیں ([code-switching](https://broadrouter.com/ur/glossary/code-switching/))۔ یہ “٢٥” ہے، “25” یا “خمسة وعشرين”؟ انگریزی برانڈ نام لاطینی رسم الخط میں لکھا جائے یا عربی حروف میں؟ ایک اصول طے کریں، اسے ریفرنس پر لاگو کریں، اور hypothesis کو اسی کے مطابق نارملائز کریں۔

## نارملائزیشن اسکور کو کتنا بدلتی ہے؟

ریفرنس: **ذهبت إلى المدرسة صباحاً** (“میں صبح اسکول گیا”)

Hypothesis: **ذهبت الى المدرسه صباحا**

نارملائزیشن کے بغیر چار میں سے تین الفاظ مختلف ہیں (إلى/الى، المدرسة/المدرسه، صباحاً/صباحا): **WER 75%۔** دونوں متن نارملائز کرنے کے بعد وہ ایک جیسے ہیں: **WER 0%۔** وہی ٹرانسکرپٹ، وہی معیار، اور نمبر بہت برے سے بالکل درست پر پہنچ گیا۔ اسی لیے نارملائزیشن کے اصولوں کے بغیر WER کا عدد بہت کم بتاتا ہے۔

## Python میں عربی WER کیسے نکالیں؟

```python
import re
import jiwer  # pip install jiwer

DIACRITICS = re.compile(r"[ً-ْٰ]")   # tanween, harakat, shadda, sukun, dagger alef
PUNCT = re.compile(r"[^\w\s]")

def normalise_ar(text: str) -> str:
    text = DIACRITICS.sub("", text)
    text = text.replace("ـ", "")                # tatweel
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    text = text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
    text = PUNCT.sub(" ", text)
    return " ".join(text.split())

refs = ["ذهبت إلى المدرسة صباحاً"]
hyps = ["ذهبت الى المدرسه صباحا"]

print("raw WER:", jiwer.wer(refs, hyps))
print("normalised WER:", jiwer.wer([normalise_ar(r) for r in refs], [normalise_ar(h) for h in hyps]))
print("normalised CER:", jiwer.cer([normalise_ar(r) for r in refs], [normalise_ar(h) for h in hyps]))
```

بالکل یہی فنکشن references اور hypotheses پر لگائیں، ہر اس ماڈل کے لیے جس کا آپ موازنہ کرتے ہیں۔ اسے اپنے نمبروں کے ساتھ شائع کریں۔

## BroadNet عربی کے لیے کتنا WER رپورٹ کرتا ہے؟

BroadNet اپنے [ماڈل کیٹلاگ](https://www.broadnet.ai/inference/models) میں [BroadNet Transcribe Arabic](https://broadrouter.com/ur/models/cohere-transcribe-arabic/) کی لیب پیمائشیں شائع کرتا ہے:

| ٹیسٹ سیٹ | یہ کیا ہے | BroadNet کا رپورٹ کردہ WER |
| --- | --- | --- |
| FLEURS-ar | صاف پڑھے گئے جملے | 3.8 |
| MASC-ar | حقیقی دنیا کی ملی جلی عربی آواز | 21.1 |
| BroadNet لہجہ سیٹ | لہجے والی آواز | 23.4 |

BroadNet یہ بھی رپورٹ کرتا ہے کہ [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard) پر ماڈل 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) پر ہے، اور ان ماڈلز میں #1 ہے جن کے لائسنس API کے ذریعے سرو کرنے کی اجازت دیتے ہیں۔ یہ BroadNet کے اعداد و شمار ہیں، آزاد آڈٹ نہیں۔ leaderboard ہر ماڈل پر ایک ہی جائزہ سیٹ اپ لگاتا ہے، جس سے اس کے رینک الگ الگ وینڈر صفحات کے نمبروں سے زیادہ قابلِ موازنہ بنتے ہیں۔

صرف بہترین نمبر نہیں، پھیلاؤ پڑھیں۔ 3.8 سے 23.4 کی چھلانگ ایک ہی ماڈل کے لیے پڑھی گئی آواز اور بے ساختہ لہجے کا فرق ہے، اس لیے ہر امیدوار کو دونوں طرح کی آڈیو پر ٹیسٹ کریں۔ آپ کی اپنی آڈیو، چاہے کال سینٹر لائنیں ہوں، WhatsApp وائس نوٹس یا میٹنگز، اسی حد میں کہیں آئے گی، اور کہاں، یہ صرف ٹیسٹ بتاتا ہے۔

## اپنی آڈیو پر WER کیسے ناپیں؟

1.  **حالات کے مطابق نمونہ لیں۔** کلپس کو لہجے اور چینل (فون، وائس نوٹ، اسٹوڈیو) کے لحاظ سے گروپس میں بانٹیں۔ [لہجہ ٹیسٹ سیٹ کا طریقہ](https://broadrouter.com/ur/blog/arabic-dialect-speech-recognition/) نمونے کے سائز اور املا کے اصول بتاتا ہے۔
2.  **ہر امیدوار سے ٹرانسکرائب کریں۔** BroadNet کے لیے `language=ar` بھیجیں؛ اس کے بغیر عربی لاطینی حروف میں transliterate ہو کر واپس آ سکتی ہے۔ کوڈ [عربی speech-to-text گائیڈ](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) میں ہے، اور $5 کا ابتدائی کریڈٹ تقریباً 1,190 منٹ کی آڈیو کا احاطہ کرتا ہے۔
3.  **نارملائز کریں اور اسکور کریں۔** اوپر والا فنکشن استعمال کریں، ہر گروپ کا WER اور CER رپورٹ کریں۔
4.  **غلطیاں پڑھیں۔** substitutions کو تعداد کے لحاظ سے ترتیب دیں۔ اگر سب سے اوپر کی غلطیاں نام، رقمیں یا پروڈکٹ کوڈ ہیں، تو کاروبار پر اثر اسکور سے کہیں بڑا ہے۔

## WER کے علاوہ کیا ناپیں؟

WER ہر لفظ کو برابر سمجھتا ہے، لیکن آپ کی پروڈکٹ نہیں۔ سپورٹ بوٹ کو ارادے کی فکر ہے؛ انوائسنگ ورک فلو کو نمبروں کی؛ کمپلائنس ٹیم کو مخصوص جملوں کی۔ WER کے ساتھ ایک ٹاسک میٹرک شامل کریں: LLM کے ٹرانسکرپٹ پڑھنے کے بعد ارادے کی درستگی، یا نکالی گئی رقموں پر exact match۔ تھوڑے زیادہ WER والا ماڈل بھی جیت سکتا ہے، اگر اس کی غلطیاں ان الفاظ پر پڑیں جو اہم نہیں۔

لاگت کے لیے اپنے ماہانہ آڈیو گھنٹے مفت [speech-to-text لاگت کیلکولیٹر](https://broadrouter.com/tools/speech-to-text-cost-calculator/) میں ڈالیں، اور دیکھیں کہ عربی اور 14 زبانوں والے ماڈلز [BroadNet Transcribe بمقابلہ Transcribe Arabic](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/) میں کیسے مختلف ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ورڈ ایرر ریٹ (WER)](https://broadrouter.com/ur/glossary/word-error-rate/)

ورڈ ایرر ریٹ (WER) اسپیچ ریکگنیشن کی درستی کا معیاری پیمانہ ہے: ٹرانسکرپٹ کو درست ریفرنس میں بدلنے کے لیے درکار الفاظ کے substitutions، deletions اور insertions کی تعداد، جسے ریفرنس کے کل الفاظ سے تقسیم کیا جاتا ہے۔ جتنا کم، اتنا بہتر۔

[اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/)

اسپیچ ٹو ٹیکسٹ، جسے automatic speech recognition (ASR) بھی کہتے ہیں، بولے گئے آڈیو کو تحریری متن میں بدلنے کی ٹیکنالوجی ہے۔ speech-to-text API آڈیو فائل یا اسٹریم لے کر ٹرانسکرپٹ لوٹاتا ہے، عموماً فی آڈیو منٹ قیمت پر۔ درستگی ورڈ ایرر ریٹ سے ناپی جاتی ہے اور لہجے، بولی اور ریکارڈنگ کے معیار کے ساتھ بدلتی ہے۔

[کیریکٹر ایرر ریٹ (character error rate، CER)](https://broadrouter.com/ur/glossary/character-error-rate/)

Character error rate (CER) ٹرانسکرپشن یا OCR کی درستی کیریکٹر کی سطح پر ناپتا ہے: آؤٹ پٹ کو ریفرنس متن بنانے کے لیے درکار substitutions، deletions اور insertions، تقسیم ریفرنس کے کیریکٹرز کی تعداد۔ کم بہتر ہے، اور 0 مکمل مطابقت ہے۔

[جدید معیاری عربی (Modern Standard Arabic، MSA)](https://broadrouter.com/ur/glossary/msa/)

Modern Standard Arabic (MSA) عربی کی معیاری شکل ہے جو پوری عرب دنیا میں تحریر، خبروں، تعلیم اور رسمی گفتگو میں استعمال ہوتی ہے۔ یہ کسی کی روزمرہ مادری زبان نہیں: لوگ مصری یا خلیجی عربی جیسے علاقائی لہجے بولتے ہیں اور رسمی مواقع پر MSA اختیار کرتے ہیں۔

[کوڈ سوئچنگ (code-switching)](https://broadrouter.com/ur/glossary/code-switching/)

Code-switching ایک ہی گفتگو یا جملے میں، بول کر یا لکھ کر، دو یا زیادہ زبانوں، یا ایک زبان کی مختلف شکلوں، کا استعمال ہے۔ مثالیں: عربی بولنے والے اپنے لہجے میں انگریزی الفاظ ملاتے ہیں، یا جدید معیاری عربی اور اپنے لہجے کے درمیان آتے جاتے ہیں۔

[تائے مربوطہ (taa marbuta، ة)](https://broadrouter.com/ur/glossary/taa-marbuta/)

تائے مربوطہ (ة، U+0629) ایک عربی حرف ہے جو صرف لفظ کے آخر میں آتا ہے، اکثر مؤنث اسم اور صفت کی علامت کے طور پر۔ یہ دو نقطوں والی ہ (ه، U+0647) جیسا دکھتا ہے، اس لیے ٹائپ کیے گئے متن میں دونوں گڈمڈ ہو جاتے ہیں، اور کئی سرچ نارملائزرز ة کو ه میں بدل دیتے ہیں۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[عربی اعراب (tashkeel)](https://broadrouter.com/ur/glossary/arabic-diacritics/)

عربی اعراب، یا tashkeel، حروف کے اوپر یا نیچے لگنے والے چھوٹے نشانات ہیں جو مختصر حرکات، مشدّد حروف اور حرکت کی عدم موجودگی دکھاتے ہیں۔ یہ اختیاری ہیں: خبروں سمیت زیادہ تر عربی متن انہیں چھوڑ دیتا ہے، اس لیے قاری اور سافٹ ویئر سیاق و سباق سے حرکات کا اندازہ لگاتے ہیں۔

## عام سوالات

### عربی کے لیے اچھا WER کتنا ہوتا ہے؟

صاف پڑھی گئی آواز پر ایک ہندسے والا WER ممکن ہے؛ BroadNet، FLEURS-ar پر 3.8 رپورٹ کرتا ہے۔ حقیقی دنیا اور لہجے والی آڈیو پر کہیں زیادہ نمبروں کی توقع رکھیں؛ BroadNet، MASC-ar پر 21.1 اور اپنے لہجہ سیٹ پر 23.4 رپورٹ کرتا ہے۔ ماڈلز کا موازنہ اپنی آڈیو پر، ایک ہی نارملائزیشن کے ساتھ کریں۔

### کیا عربی WER نکالنے سے پہلے اعراب ہٹا دینے چاہییں؟

عموماً ہاں۔ زیادہ تر عربی چھوٹے حروفِ علت کے نشانات کے بغیر لکھی جاتی ہے، اور ماڈلز انہیں بے ترتیبی سے لگاتے ہیں۔ جب تک آپ کی پروڈکٹ کو اعراب والا متن نہ چاہیے، انہیں ریفرنس اور hypothesis دونوں سے ہٹا دیں۔

### CER کیا ہے اور اسے کب استعمال کریں؟

Character error rate وہی حساب ہے، الفاظ کی جگہ حروف پر۔ یہ عربی پر کم سخت ہے، جہاں سابقے کا ایک غلط حرف پورے لفظ کو غلط بنا دیتا ہے، اور WER کے ساتھ مفید ہے۔

### کیا WER 100% سے زیادہ ہو سکتا ہے؟

ہاں۔ insertions بھی غلطی گنے جاتے ہیں، اس لیے بہت سے اضافی الفاظ گھڑنے والا ماڈل ریفرنس کے الفاظ سے زیادہ غلطیاں کر سکتا ہے۔

### Python میں عربی کا WER کیسے نکالوں؟

jiwer انسٹال کریں، ریفرنس اور ماڈل آؤٹ پٹ دونوں کو ایک ہی فنکشن سے نارملائز کریں (اعراب اور تطویل ہٹائیں، الف، یا اور تائے مربوطہ کو یکساں کریں، مشرقی عربی ہندسے بدلیں)، پھر jiwer.wer(references, hypotheses) کال کریں۔ اسکور کے ساتھ نارملائزیشن بھی لکھیں۔

### عربی کا WER انگریزی سے زیادہ کیوں ہوتا ہے؟

کچھ اصل مشکل کی وجہ سے (لہجے، clitics، code-switching) اور کچھ اسکورنگ کی وجہ سے: عربی میں املا کی مانی ہوئی شکلیں اور اختیاری اعراب ہیں، اور سخت موازنہ ہر ایک کو غلطی گنتا ہے۔ دونوں متن نارملائز کرنے سے اسکورنگ والا حصہ ختم ہو جاتا ہے۔

## مزید پڑھیں

-   [عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/)
-   [کال سینٹر ریکارڈنگز کیسے ٹرانسکرائب کریں: عربی کے لیے تیار پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/)
-   [عربی RAG: normalisation، chunking اور retrieval جو واقعی کام کرے](https://broadrouter.com/ur/blog/arabic-rag-search/)
-   [کثیر لسانی speech-to-text API: 14 زبانیں، ایک اینڈپوائنٹ](https://broadrouter.com/ur/blog/multilingual-speech-to-text-api/)
-   [LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER](https://broadrouter.com/ur/blog/arabic-diacritization-llm/)
-   [LLM سے عربی گرامر اور املا کی تصحیح: ایک عملی رہنما](https://broadrouter.com/ur/blog/arabic-grammar-spelling-correction-llm/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-asr-wer-explained&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet ماڈل کیٹلاگ، speech to text: BroadNet کا رپورٹ کردہ WER اور leaderboard رینک (2026-11-14 کو دیکھا گیا) (انگریزی میں)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard، Hugging Face Space (2026-11-14 کو دیکھا گیا)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Wang، Alhmoud اور Alqurishi، Open Universal Arabic ASR Leaderboard (Interspeech 2025؛ 2026-11-14 کو دیکھا گیا)](https://www.isca-archive.org/interspeech_2025/wang25_interspeech.html)
-   [Conneau et al., FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech (arXiv؛ 2026-11-14 کو دیکھا گیا)](https://arxiv.org/abs/2205.12446)
-   [jiwer، WER اور CER کے لیے ایک Python پیکیج (2026-11-14 کو دیکھا گیا)](https://github.com/jitsi/jiwer)
