BroadRouter

Arabizi(拉丁字母阿拉伯语)

更新于

Arabizi 是用拉丁字母非正式书写的阿拉伯语,没有拉丁对应的阿拉伯语音用数字表示,例如用 3 代表 ع。它在聊天和社交媒体中很常见,以方言为主,没有标准拼写,还经常夹杂英语或法语。

又称: 拉丁字母阿拉伯语、阿拉伯聊天字母、阿拉伯语拉丁化、Arabizi、Franco-Arabic、Franco-Arab、Arabish、Arabic chat alphabet、Franco Arabic

很多讲阿拉伯语的人在手机上就是这样打字的:阿拉伯语的词,拉丁键盘,再用几个数字补上缺少的发音。这就是 Arabizi。

工作原理

Darwish(2014)把 Arabizi(也叫 Arabish 或 Franco-Arab)描述为音译成拉丁字母形式的阿拉伯语,用数字表示英语中没有的字母:“2”和“3”分别代表 hamza 音和 ع。它的兴起是因为早期的浏览器和手机无法显示阿拉伯文字。它延续至今,是因为人们已经习惯,而且在英文键盘上打字更快。

有三个特点让软件难以处理它:

  • 没有标准拼写。 Shazal、Usman 和 Habash(2020)指出,社交媒体上的 Arabizi 是阿拉伯语方言,而方言没有标准正字法,转换到阿拉伯文字也不是一一对应的。
  • 夹杂英语或法语。 像 w aletli Tuesday(“她跟我说星期二”)这样的消息混用了两种语言,这就是语码转换。
  • 先要识别。 软件得先判断哪些词是 Arabizi,然后才能转换。Darwish 报告,用经典流水线,识别准确率为 98.5%,转换准确率为 88.7%;2020 年的序列到序列模型在联合任务的盲测集上达到 80.6% 的词准确率。

对大模型 API 而言,Arabizi 在分词器下的表现也和阿拉伯文字不同,因为它是拉丁字母文本,拼写方式又是词表里很少见过的。

为什么重要

如果你在海湾地区、埃及或黎凡特运营聊天机器人、搜索或数据分析,一部分用户一定会输入 Arabizi。为阿拉伯文字打造的关键词搜索、意图规则和情感分析工具会漏掉这些消息。常见的解决办法是在路由或建索引之前,让大模型把 Arabizi 转换成阿拉伯文字(并写明方言),同时保留原文。Arabizi 处理指南介绍了提示词和回复用哪种文字的选择。

在 BroadNet Inference 上

BroadNet 没有针对 Arabizi 的专门功能;对话模型把它当作普通文本接收。BroadNet 报告称测试了 Qwen3.8 27B 的阿拉伯语能力,它能理解海湾方言和埃及方言,可以作为 Arabizi 测试的起点。参见用大模型处理海湾和埃及方言。

语音是另一回事。BroadNet 的文档提醒,如果不传 language,阿拉伯语音频可能被音译成拉丁字母。这种输出看起来像 Arabizi,但来源是请求,而不是说话人。请向 BroadNet Transcribe Arabic 发送 language=ar。

常见问题

Arabizi 为什么要用数字?

阿拉伯语有些发音和字母在拉丁字母里没有对应,所以书写者借用外形像该阿拉伯字母的数字。Darwish(2014)举的例子是用 2 表示 hamza 音、用 3 表示 ع。

大模型能读懂 Arabizi 吗?

往往能,但拼写差异太大,效果参差不齐,转换成阿拉伯字母的结果也可能每次不同。请用用户的真实消息测试,并在提示词里写明方言。

我的阿拉伯语转写结果是拉丁字母,这是 Arabizi 吗?

不是。那是语音模型在做音译,因为请求没有说明音频是阿拉伯语。在 BroadNet 上请发送 language=ar。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity