---
title: "Nhận dạng giọng nói phương ngữ Ả Rập: cách test ASR | BroadRouter"
description: "Vì sao chuyển giọng nói thành văn bản gặp khó với phương ngữ Ả Rập vùng Vịnh, Ai Cập, Levant, Maghreb, và cách xây bộ test theo phương ngữ cho âm thanh của bạn."
url: https://broadrouter.com/vi/blog/arabic-dialect-speech-recognition/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-dialect-speech-recognition/) (cập nhật ngày 2026-11-16).

# Nhận dạng giọng nói phương ngữ Ả Rập: Vịnh, Ai Cập, Levant, Maghreb

Đội ngũ BroadNet Inference · 5 phút đọc · Đăng ngày 2026-11-14 · Cập nhật 2026-11-16

Phương ngữ Ả Rập khác tiếng Ả Rập chuẩn hiện đại về âm, từ và chính tả, người nói lại chen tiếng Anh hoặc tiếng Pháp, nên model ASR học chủ yếu trên tiếng Ả Rập trang trọng cho điểm kém hơn nhiều. Để test, hãy lấy âm thanh thật làm bộ test cho từng phương ngữ, chốt quy ước chính tả, rồi chấm WER, CER và độ chính xác thực thể.

## Ý chính

-   Phương ngữ là yếu tố lớn quyết định độ chính xác của ASR tiếng Ả Rập: BroadNet báo cáo WER 3,8 trên tiếng Ả Rập đọc và 23,4 trên giọng phương ngữ với cùng một model.
-   Phương ngữ không có chính tả chuẩn, nên trước khi chấm điểm hãy quyết định bản tham chiếu ghi nguyên văn phương ngữ hay đã chuẩn hóa.
-   Giọng vùng Vịnh chen tiếng Anh; giọng Maghreb chen tiếng Pháp. Hãy chấm các clip có code-switching thành một nhóm riêng.
-   Báo cáo WER và CER theo từng phương ngữ, kèm độ chính xác với số và tên. Đừng tin một con số trung bình duy nhất.
-   Ba mươi đến năm mươi clip mỗi phương ngữ, với mười bản tham chiếu kiểm tra bằng tay, là đủ để xếp hạng nhà cung cấp.

**Trong trang này**

1.  Vì sao phương ngữ Ả Rập khó với nhận dạng giọng nói?
2.  Mỗi phương ngữ Ả Rập làm nhận dạng giọng nói vấp ở đâu?
3.  Xây bộ test phương ngữ Ả Rập như thế nào?
4.  Các con số WER tiếng Ả Rập được công bố cho biết gì?
5.  LLM nào nên đọc bản chép lời phương ngữ?
6.  BroadNet Inference phù hợp ở đâu

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](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/).

## Vì sao phương ngữ Ả Rập khó với nhận dạng giọng nói?

Bốn vấn đề chồng lên nhau:

1.  **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.
2.  **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.
3.  **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](https://arxiv.org/abs/2411.05872)).
4.  **[Code-switching](https://broadrouter.com/vi/glossary/code-switching/).** Người nói chen tiếng Anh hoặc tiếng Pháp giữa câu. Bộ dữ liệu [Casablanca](https://aclanthology.org/2024.emnlp-main.1211), bao phủ tám phương ngữ, gắn nhãn code-switching cùng với phương ngữ và giới tính.

Bài báo [Open Universal Arabic ASR Leaderboard](https://arxiv.org/abs/2412.13788) (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](https://broadrouter.com/vi/glossary/word-error-rate/) 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](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/) 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](https://www.broadnet.ai/inference/models): 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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/) nói cách test, và [Qwen3.8 27B](https://broadrouter.com/vi/models/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](https://broadrouter.com/vi/models/cohere-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](https://broadrouter.com/vi/models/#on-request). 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/) đổi khối lượng production của bạn thành hóa đơn hằng tháng. [Tạo key](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-dialect-speech-recognition&utm_content=body) 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.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [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.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

[Tiếng Ả Rập chuẩn hiện đại (MSA)](https://broadrouter.com/vi/glossary/msa/)

Tiếng Ả Rập chuẩn hiện đại (MSA) là dạng tiếng Ả Rập chuẩn hóa dùng trong văn viết, tin tức, giáo dục và phát biểu trang trọng khắp thế giới Ả Rập. Không ai dùng nó làm tiếng mẹ đẻ hằng ngày: người ta nói phương ngữ như Ai Cập hay vùng Vịnh và chuyển sang MSA khi trang trọng.

[Word error rate (WER, tỷ lệ lỗi từ)](https://broadrouter.com/vi/glossary/word-error-rate/)

Word error rate (WER, tỷ lệ lỗi từ) là thước đo độ chính xác tiêu chuẩn cho nhận dạng giọng nói: số lần thay thế, xóa và chèn từ cần để biến bản chép lời thành bản tham chiếu đúng, chia cho số từ trong bản tham chiếu. Càng thấp càng tốt.

[Code-switching (chuyển mã ngôn ngữ)](https://broadrouter.com/vi/glossary/code-switching/)

Code-switching là việc dùng hai hay nhiều ngôn ngữ, hoặc nhiều biến thể của một ngôn ngữ, trong cùng một cuộc hội thoại hay một câu, khi nói hoặc viết. Ví dụ: người nói tiếng Ả Rập chêm từ tiếng Anh vào phương ngữ, hoặc chuyển qua lại giữa tiếng Ả Rập chuẩn hiện đại và phương ngữ của mình.

[Phương ngữ tiếng Ả Rập (dialectal Arabic)](https://broadrouter.com/vi/glossary/dialectal-arabic/)

Phương ngữ tiếng Ả Rập là tiếng Ả Rập nói hằng ngày của một vùng hay thành phố, như tiếng Ả Rập Ai Cập, vùng Vịnh, Levant hay Maghreb. Chúng khác MSA về âm, từ vựng và ngữ pháp, không có chính tả chuẩn và ngày càng được viết trên mạng, nên khó hơn với model ngôn ngữ.

[Tỷ lệ lỗi ký tự (CER, character error rate)](https://broadrouter.com/vi/glossary/character-error-rate/)

Character error rate (CER, tỷ lệ lỗi ký tự) đo độ chính xác của bản chép lời hoặc OCR ở cấp ký tự: số phép thay thế, xóa và chèn cần để biến đầu ra thành văn bản tham chiếu, chia cho số ký tự trong văn bản tham chiếu. Càng thấp càng tốt, 0 là khớp hoàn toàn.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

## Câu hỏi thường gặp

### Phương ngữ Ả Rập nào khó nhận dạng giọng nói nhất?

Không có bảng xếp hạng chung; điều đó tùy dữ liệu huấn luyện của model. Phương ngữ Maghreb như tiếng Morocco và Algeria thường khó vì xa tiếng Ả Rập chuẩn hiện đại nhất và chen tiếng Pháp. Hãy test chính phương ngữ của bạn thay vì dựa vào một bảng xếp hạng chung.

### API chuyển giọng nói thành văn bản có hiểu tiếng Ả Rập Ai Cập không?

Thường tốt hơn các phương ngữ hiếm, vì tiếng Ai Cập phổ biến trên truyền thông, nhưng hãy chờ đợi độ chính xác thấp hơn tiếng Ả Rập trang trọng. Hãy đo trên bản ghi âm của chính bạn.

### Với tiếng Ả Rập nên dùng WER hay CER?

Dùng cả hai. WER đếm nguyên từ, nên sai một tiền tố hay clitic là cả từ bị tính sai. CER đếm ký tự và dễ dãi hơn với biến thể chính tả, điều quan trọng với phương ngữ không có chính tả chuẩn.

### Cần bao nhiêu clip âm thanh để test một nhà cung cấp ASR tiếng Ả Rập?

Khoảng 30 đến 50 clip thật mỗi phương ngữ, trong đó ít nhất 10 clip mỗi phương ngữ được chép tay làm bản tham chiếu. Như vậy đủ để thấy khác biệt lớn giữa các nhà cung cấp.

### Mã ngôn ngữ có quan trọng với phương ngữ Ả Rập không?

Hãy gửi language=ar. Trên hầu hết API, các phương ngữ dùng chung mã ar. Thiếu mã này, một số model trả giọng nói tiếng Ả Rập dưới dạng phiên âm chữ Latin.

## Đọc tiếp

-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [Thay thế Whisper API: khi nào nên chuyển và cách test](https://broadrouter.com/vi/blog/whisper-api-alternative/)
-   [Chép lời ghi âm tổng đài: pipeline sẵn sàng cho tiếng Ả Rập](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/)
-   [Dịch âm thanh tiếng Ả Rập sang văn bản tiếng Anh bằng API](https://broadrouter.com/vi/blog/translate-arabic-audio-to-english/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Hướng dẫn: API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-dialect-speech-recognition&utm_content=page-cta) ·

**Nguồn**

-   [Talafha và cộng sự, Casablanca: Data and Models for Multidialectal Arabic Speech Recognition (EMNLP 2024; kiểm tra ngày 2026-11-14)](https://aclanthology.org/2024.emnlp-main.1211)
-   [Wang, Alhmoud và Alqurishi, Open Universal Arabic ASR Leaderboard (Interspeech 2025; arXiv 2412.13788; kiểm tra ngày 2026-11-14)](https://arxiv.org/abs/2412.13788)
-   [Dialectal Coverage and Generalization in Arabic Speech Recognition (arXiv 2411.05872; kiểm tra ngày 2026-11-14)](https://arxiv.org/abs/2411.05872)
-   [Open Universal Arabic ASR Leaderboard, Hugging Face Space (kiểm tra ngày 2026-11-14)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Danh mục model BroadNet, chuyển giọng nói thành văn bản: WER do BroadNet báo cáo (kiểm tra ngày 2026-11-14) (tiếng Anh)](https://www.broadnet.ai/inference/models)
