Chuyển giọng nói thành văn bản gặp khó với phương ngữ Ả Rập vì chúng khác tiếng Ả Rập chuẩn hiện đại (MSA) về âm, từ và chính tả, và người nói chen tiếng Anh hoặc tiếng Pháp. Để biết một nhà cung cấp làm tốt đến đâu, hãy xây một bộ test nhỏ cho từng phương ngữ từ âm thanh thật và chấm điểm riêng từng phương ngữ.
Một người gọi từ Riyadh, một tin nhắn thoại từ Cairo và một cuộc gọi hỗ trợ từ Casablanca đều là “tiếng Ả Rập”, và một model có thể xử lý tốt cái đầu nhưng tệ với cái thứ ba.
Bài này giải thích điều gì khiến từng nhóm phương ngữ chính khó với nhận dạng giọng nói, và cách xây một bài test cho thấy nhà cung cấp sẽ làm tốt đến đâu với phương ngữ của bạn. Danh sách kiểm tra mua hàng rộng hơn (giá, giới hạn, quyền riêng tư) có trong hướng dẫn chọn API chuyển giọng nói tiếng Ả Rập.
Vì sao phương ngữ Ả Rập khó với nhận dạng giọng nói?
Bốn vấn đề chồng lên nhau:
- Âm khác nhau. Cùng một chữ cái được phát âm khác nhau theo vùng, nên model âm học phải ánh xạ nhiều âm về một cách viết.
- Từ khác nhau. Từ ngữ hằng ngày khác nhau theo phương ngữ. Model học chủ yếu trên MSA có thể “sửa” một từ phương ngữ thành từ trang trọng tương ứng, và điều đó bị tính là lỗi nếu bản tham chiếu ghi nguyên văn.
- Không có chính tả chuẩn. Phương ngữ được viết không chính thức, nên ngay cả hai người chép lời cũng không thống nhất. Dữ liệu huấn luyện cũng không đồng đều: một nghiên cứu năm 2024 về độ phủ phương ngữ ghi nhận các hệ thống ASR hiện có “mainly cover the modern standard Arabic (MSA) variety and few high-resource dialects” (bản dịch: chủ yếu bao phủ tiếng Ả Rập chuẩn hiện đại (MSA) và vài phương ngữ nhiều tài nguyên) (arXiv 2411.05872).
- Code-switching. Người nói chen tiếng Anh hoặc tiếng Pháp giữa câu. Bộ dữ liệu Casablanca, bao phủ tám phương ngữ, gắn nhãn code-switching cùng với phương ngữ và giới tính.
Bài báo Open Universal Arabic ASR Leaderboard (Interspeech 2025) đánh giá các model mã nguồn mở trên nhiều bộ test đa phương ngữ cũng vì lý do này: một điểm số tiếng Ả Rập duy nhất che mất độ chênh lệch.
Mỗi phương ngữ Ả Rập làm nhận dạng giọng nói vấp ở đâu?
| Nhóm phương ngữ | Ở đâu | Điểm ASR hay gặp khó |
|---|---|---|
| Vùng Vịnh (Khaleeji) | Ả Rập Xê Út, UAE, Kuwait, Qatar, Bahrain, Oman | Chen tên sản phẩm, con số và thuật ngữ thương hiệu tiếng Anh; cách phát âm qaf và kaf theo vùng |
| Ai Cập | Ai Cập | Jeem phát âm thành g cứng; qaf thường là âm tắc thanh hầu; rất phổ biến trên truyền thông nên model thường được thấy nhiều hơn |
| Levant | Syria, Lebanon, Jordan, Palestine | Qaf ở thành thị là âm tắc thanh hầu; chen tiếng Pháp hoặc tiếng Anh, nhất là ở Lebanon |
| Maghreb (Darija) | Morocco, Algeria, Tunisia, Libya | Xa MSA nhất; nguyên âm ngắn bị lược; code-switching tiếng Pháp nhiều; từ mượn tiếng Amazigh |
| Iraq | Iraq | Từ vựng và phát âm riêng; ít âm thanh huấn luyện công khai |
Đây là xu hướng, không phải quy tắc. Giọng thành thị và nông thôn khác nhau ngay trong một nhóm, và người trẻ code-switching nhiều hơn. Điểm mấu chốt là mỗi nhóm sai theo cách riêng, nên bạn chấm riêng từng nhóm.
Xây bộ test phương ngữ Ả Rập như thế nào?
1. Lấy mẫu âm thanh thật theo từng phương ngữ
Lấy 30 đến 50 clip mỗi phương ngữ từ đúng kênh bạn sẽ chạy production: cuộc gọi điện thoại, tin nhắn thoại WhatsApp, bản ghi cuộc họp. Âm thanh điện thoại 8 kHz hoạt động khác âm thanh phòng thu. Gắn nhãn phương ngữ cho từng clip, và đánh dấu các clip có tiếng Anh hoặc tiếng Pháp.
2. Thống nhất quy ước chính tả trước
Trước khi ai đó viết bản tham chiếu, hãy quyết định:
- Nguyên văn phương ngữ (viết đúng những gì được nói, theo chính tả phương ngữ), hoặc
- Chuẩn hóa (ánh xạ về một dạng nhất quán).
Ghi lại lựa chọn kèm ví dụ. Nếu bản tham chiếu ghi nguyên văn mà model xuất ra từ kiểu MSA, WER sẽ trông rất tệ dù nghĩa đúng. Không lựa chọn nào sai. Nó phải khớp với điều hệ thống phía sau của bạn cần.
3. Viết bản tham chiếu cho 10 clip mỗi phương ngữ
Nhờ người bản ngữ của phương ngữ đó chép lời. Với clip có code-switching, quyết định từ tiếng Anh có giữ chữ Latin không, và áp dụng nhất quán ở mọi nơi.
4. Chuẩn hóa cả hai phía rồi chấm điểm
Bỏ dấu phụ, thống nhất các dạng alef (إ أ آ thành ا) và yaa cuối (ى thành ي), bỏ dấu câu, và đổi chữ số Ả Rập phương Đông sang chữ số phương Tây. Sau đó tính:
| Chỉ số | Vì sao |
|---|---|
| WER theo phương ngữ | Thước đo chuẩn; khắt khe với clitic và tiền tố |
| CER theo phương ngữ | Dễ dãi hơn với biến thể chính tả |
| Độ chính xác thực thể | Tỷ lệ số, ngày và tên được chép đúng hoàn toàn |
| WER nhóm code-switching | Cho thấy từ tiếng Anh hoặc tiếng Pháp có giữ được không |
Gói jiwer tính WER và CER; bài giải thích WER tiếng Ả Rập có một hàm chuẩn hóa bạn dùng lại được và một ví dụ cho thấy chuẩn hóa thay đổi điểm số nhiều đến đâu.
5. Đọc bản chép lời
Con số quyết định một quy trình tổng đài hay ngân hàng có chạy được không. Đọc 20 bản chép lời mỗi phương ngữ và kiểm tra bằng tay từng con số, ngày và tên.
Các con số WER tiếng Ả Rập được công bố cho biết gì?
Benchmark công khai cho bạn phương hướng, không phải lời hứa. BroadNet công bố ba con số WER cho BroadNet Transcribe Arabic trong danh mục model: 3,8 trên FLEURS-ar (giọng đọc sạch), 21,1 trên MASC-ar (giọng thực tế lẫn lộn) và 23,4 trên bộ phương ngữ của chính họ. Cùng một model mà chênh sáu lần giữa giọng đọc và giọng phương ngữ, và đó là lý do bạn phải test trên phương ngữ của mình.
Khi so sánh nhà cung cấp, hãy so trên cùng một bộ test. Một bảng xếp hạng như Open Universal Arabic ASR Leaderboard hữu ích vì mọi model được chấm theo cùng một cách. Con số nhà cung cấp tự đo trên bộ của mình không so sánh được với con số của nhà cung cấp khác.
LLM nào nên đọc bản chép lời phương ngữ?
Bản chép lời thường được đưa vào một LLM: để tóm tắt cuộc gọi, định tuyến ticket hoặc trả lời câu hỏi. Model đó cũng cần đọc được phương ngữ. Hướng dẫn chọn LLM cho tiếng Ả Rập nói cách test, và Qwen3.8 27B là model BroadNet đã test với phương ngữ vùng Vịnh và Ai Cập.
BroadNet Inference phù hợp ở đâu
BroadNet Transcribe Arabic được xây cho tiếng Ả Rập kể cả phương ngữ, giá $0.0042 mỗi phút ($0.25 mỗi giờ), và BroadNet báo cáo model đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard, và #1 trong các model có giấy phép cho phép phục vụ qua API. Với số, ngày và tên trong âm thanh nhiễu, BroadNet có bản fine-tune theo yêu cầu. Tín dụng ban đầu $5 đủ cho khoảng 1,190 phút, đủ để chạy toàn bộ bài test trên; máy tính chi phí chuyển giọng nói thành văn bản đổi khối lượng production của bạn thành hóa đơn hằng tháng. Tạo key để bắt đầu.
BroadNet không công bố con số WER riêng cho từng nhóm phương ngữ. Đó chính là lý do bạn nên chạy bài test này: con số trên bộ phương ngữ chỉ là một con số, còn khách hàng của bạn nói một hoặc hai phương ngữ, không phải tất cả.
