Arabisch wird mit weniger geschrieben, als gesprochen wird. Wenn ein arabischer Leser einen Satz ohne Vokalzeichen vor sich hat, ergänzt er die kurzen Vokale unbemerkt aus dem Kontext. Ein Sprachmodell muss dasselbe mit Statistik leisten. Hier beginnt das Problem: Ein und derselbe Text kann mehrere Aussprachen zulassen, und jede Aussprache verändert die Bedeutung. Hinzu kommt eine enorme Dialektvielfalt, für die gut strukturierte Sprachdaten knapp sind. In diesem Artikel lesen wir, was aktuelle Forschungsarbeiten zu diesen Hürden sagen, mit den von den Autoren veröffentlichten Zahlen, und leiten dann praktische Folgen für alle ab, die arabische Audioinhalte produzieren.
Ein Text, der seine Aussprache verbirgt: das Problem der kurzen Vokale
Arabisch wird in der Regel ohne kurze Vokale geschrieben (Fatha, Damma, Kasra, Sukun und Tanwin). Das Wort «كتب» ist ein bekanntes Beispiel: Es kann «kataba» (er schrieb), «kutub» (Bücher) oder «kutiba» (es wurde geschrieben) gelesen werden. Der Leser entscheidet das aus dem ganzen Satz.
Eine Arbeit von Hala Al Masri und Muhy Eddin Zater zur Aufbereitung arabischer Sprachdaten beschreibt dieses Problem klar: Fehlen die Vokale, kann ein Wort mehrere Bedeutungen haben, und sowohl der Sprecher als auch das KI-Modul profitieren von Vokalzeichen, die die Mehrdeutigkeit verringern. Die Arbeit schlägt eine teilweise Vokalisierung vor, also Zeichen nur an mehrdeutigen Stellen, weil vollständig vokalisierte Texte selten und teuer sind.
Können wir Vokalzeichen automatisch setzen? Die Zahlen zeigen Fortschritt und eine Lücke
Die logische Lösung ist, die Vokalzeichen vor dem Vorlesen automatisch zu setzen. Die automatische Vokalisierung hat sich stark verbessert, ist aber weit von perfekt entfernt. Die CATT-Arbeit (ein zeichenbasierter Transformer für arabisches Tashkeel) berichtet die Ergebnisse ihres Modells auf zwei Benchmarks:
- Auf dem WikiNews-Benchmark mit Kasusendungen erreichte das Encoder-Decoder-Modell eine Zeichenfehlerrate von etwa 5,96 % und eine Wortfehlerrate von etwa 20,06 %.
- Auf dem schwierigeren CATT-Benchmark lag die Zeichenfehlerrate bei etwa 8,62 % und die Wortfehlerrate bei etwa 34,19 %.
Der Unterschied zwischen den Benchmarks ist wichtig. Ein Wortfehler bedeutet hier, dass das Wort mindestens einen Vokalisierungsfehler enthält. Obwohl das Modell der Arbeit die Vergleichsmodelle übertrifft, liegt es beim leichteren Benchmark bei etwa einem von fünf Wörtern falsch und beim schwierigeren bei etwa einem von drei. Die Kasusendungen (die grammatischen Wortenden) sind der schwierigste Teil der Vokalisierung, weil sie von der Satzstruktur abhängen und nicht nur vom einzelnen Wort. Deshalb verbessern sich die Zahlen der Arbeit, wenn sie ausgeschlossen werden (etwa 3,63 % Zeichenfehler auf WikiNews).
Fazit: Automatische Vokalisierung verringert die Mehrdeutigkeit, beseitigt sie aber nicht, und jeder Fehler darin geht direkt in die Aussprache über.
Können Daten die Vokalzeichen ersetzen? Ein Experiment des QCRI
Es gibt eine alternative Forschungsrichtung: Statt dem Text Vokalzeichen hinzuzufügen, wird das Modell mit riesigen Mengen Sprache trainiert, damit es lernt, richtig zu raten. Das testete die Arbeit «More Data, Fewer Diacritics» (März 2026) von Forschern des Qatar Computing Research Institute (QCRI). Das Team sammelte rund 20.000 Stunden Audio von sozialen Plattformen und behielt nach Bereinigung und Segmentierung etwa 4000 trainingstaugliche Stunden. Danach trainierte es Modelle unterschiedlicher Größe, mit und ohne Vokalzeichen, und maß die Wortfehlerrate (WER) mit einem Spracherkennungsmodell.
Die wichtigsten Ergebnisse:
- Mit 4000 Stunden und Vokalzeichen: WER von 1,67, das beste Ergebnis.
- Mit 4000 Stunden und ohne Vokalzeichen: WER von 3,18.
- Das mit 1000 Stunden trainierte Modell ohne Vokalzeichen (3,12) schlug die mit 100 Stunden trainierten Modelle mit Vokalzeichen (3,48 und 3,62).
Bei gleicher Datenmenge liefern Vokalzeichen also weiterhin das beste Ergebnis, aber viele Daten gleichen einen großen Teil ihres Fehlens aus. Die Forscher nennen wichtige Grenzen: Das Experiment umfasste nur modernes Hocharabisch, die Messung war objektiv und ohne menschliche Hörtests, und die zur Bewertung genutzte Erkennungsmodellfamilie hängt mit der Datenaufbereitung zusammen, was die Ergebnisse verzerren kann.
Hocharabisch und Dialekte: eine geschriebene und eine gesprochene Sprache
Das zweite Problem geht tiefer als die Vokalzeichen: Welches «Arabisch» meinen wir überhaupt? Die Habibi-Arbeit (Januar 2026) sagt, dass Arabisch mehr als 30 gesprochene Varietäten hat, dass modernes Hocharabisch im Alltag selten gesprochen wird und dass sich Dialekte stark in Wortschatz und Aussprache unterscheiden. Sie ergänzt, dass die meisten verfügbaren arabischen Sprachdaten ursprünglich für die Spracherkennung entstanden, oft verrauscht und ohne Vokalzeichen sind und dass es keinen einheitlichen Benchmark zur Bewertung mehrdialektaler Sprachsynthese gibt.
Die Studie «Arab Voices» (University of British Columbia, Januar 2026) bestätigt das Bild von der Datenseite. Sie erfasste 31 arabische Sprachdatensätze und stellte fest, dass Dialektlabels nicht standardisiert sind und Regionen wie Nordafrika (Algerisch, Hassania, Marokkanisch und Tunesisch) sowie der Irak unterrepräsentiert sind. In Spracherkennungstests ohne Vortraining überschritt die Fehlerrate einiger Whisper-Konfigurationen 200 und erreichte 271,25 für Mesopotamisch-Arabisch, während die für Hocharabisch bei mehreren Modellen unter 12 fiel. Das sind Zahlen zur Spracherkennung, nicht zur Sprachsynthese, doch sie spiegeln dieselbe Lücke zwischen Hocharabisch und Dialekten in den Daten.
Ein bemerkenswertes Ergebnis von Habibi: Wird das Modell zuerst auf Hocharabisch und dann auf den Dialekt trainiert, sind die Ergebnisse viel besser als beim Training nur auf dem Dialekt. Auf dem SADA-Datensatz lag die WER mit diesem Ansatz bei etwa 13,30, gegenüber 55,63 beim Training von null nur auf dem Dialekt. Mit anderen Worten: Hocharabisch dient als Fundament, auf dem man aufbaut, und Dialektdaten allein genügen nicht.
Bevor das Modell spricht: Textnormalisierung und Aufnahme
Viele der Fehler, die wir hören, stammen nicht vom Sprachmodell, sondern vom Text, der es erreicht. Al Masri und Zater erklären, dass die Aufbereitungskette Zahlen, Daten, nichtarabische Wörter und Abkürzungen in sprechbaren arabischen Text umwandelt, bevor vokalisiert, Rechtschreibung geprüft und segmentiert wird. Ein Text wie «1994», «5 km» oder «iPhone» wird nicht so gesprochen, wie er geschrieben ist, und ohne ausdrückliche Umwandlung wird er falsch gesprochen oder übersprungen.
Die Arbeit behandelt auch die Aufnahmequalität: Rauschen, Zischen und Plosive in einem unbehandelten Studio verderben die Trainingsdaten, und sie rät, Lärm an der Quelle zu vermeiden, ein gleichmäßiges, natürliches Tempo zu halten und Pausen nur an Satzzeichen zu setzen. Das erinnert daran, dass die Qualität einer synthetischen Stimme von der Qualität der menschlichen Stimme abhängt, von der sie gelernt hat.
Woran erkennen wir, dass eine Stimme gut ist? Das Messproblem
Die meisten Studien stützen sich auf automatische Metriken wie WER, Sprecherähnlichkeit und vorhergesagte Natürlichkeit (UTMOS), und alle haben Grenzen. Habibi warnt, dass sich einige dieser Metriken außerhalb der Trainingsdaten schlecht verallgemeinern lassen; deshalb ergänzten die Forscher eine menschliche Bewertung mit 10 bis 20 Muttersprachlern pro Dialekt. Im Vergleich mit einem kommerziellen Modell gewann keine Seite bei allen Metriken: Habibi war bei der Sprecherähnlichkeit und der Fehlerrate in mehreren Dialekten besser, das kommerzielle Modell bei der Natürlichkeit. Die Lehre: Das «beste System» hängt davon ab, was man misst, und echtes Zuhören lässt sich nicht ersetzen.
Was bedeutet das für alle, die arabische Audioinhalte produzieren?
Aus der obigen Forschung ergeben sich einige praktische Gewohnheiten. Das ist meine eigene Analyse, nicht das, was die Arbeiten wörtlich sagen:
- Setzen Sie Vokalzeichen an mehrdeutigen Stellen selbst. Teilweise Vokalisierung bei Wörtern mit mehreren möglichen Aussprachen ist billiger und genauer, als aufs Raten zu vertrauen, was auch Al Masri und Zater nahelegen.
- Schreiben Sie Zahlen, Daten, Abkürzungen und fremde Namen so, wie sie gesprochen werden sollen.
- Wählen Sie bewusst zwischen Hocharabisch und Dialekt und mischen Sie sie nicht in einem Absatz, es sei denn aus künstlerischen Gründen.
- Hören Sie vor der Veröffentlichung zu. Keine automatische Metrik ersetzt ein menschliches Ohr, besonders bei Namen, Begriffen und Zahlen.
- Teilen Sie lange Texte in kurze Abschnitte und prüfen Sie sie Abschnitt für Abschnitt, denn ein einzelner Fehler in einer ganzen Stunde ist schwer zu finden.
Moknah heute
Moknah übernimmt einen Teil dieser Schritte innerhalb der Plattform: Für Arabisch gibt es drei Textprozessoren, Basis, Tashkeel und KI-Dichter, wobei Tashkeel und KI-Dichter mehr Credits verbrauchen als Basis. Die Plattform unterstützt Text-to-Speech in mehr als 130 Sprachen. Sie ersetzt keine menschliche Prüfung, sondern verringert wiederkehrende manuelle Arbeit. Sie können kostenlos starten und den für Sie wichtigen Text auf der Preisseite ausprobieren.
Weiterführende Artikel
- Warum ist die arabische Sprache eine große Herausforderung für globale KI-Sprachsysteme?
- Wie wählst du mit Moknah die passendste Stimme für deine Marke?
- Was ist Text-to-Speech?
Quellen
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2