L'arabe s'écrit avec moins que ce qu'il faut pour le prononcer. Quand un lecteur arabe rencontre une phrase sans voyelles, il reconstitue les voyelles brèves à partir du contexte sans même y penser. Un modèle vocal, lui, doit faire la même chose par le calcul. C'est là que les difficultés commencent : un même texte peut admettre plusieurs prononciations, et chaque prononciation change le sens. À cela s'ajoute une très grande diversité de dialectes, dont les données vocales bien structurées sont rares. Dans cet article, nous lisons ce que disent des publications de recherche récentes sur ces obstacles, avec les chiffres publiés par leurs auteurs, avant d'en tirer les conséquences pratiques pour qui produit du contenu audio en arabe.
Un texte qui cache sa prononciation : le problème des voyelles brèves
L'arabe s'écrit en général sans voyelles brèves (fatha, damma, kasra, soukoun et tanwin). Le mot « كتب » en est un exemple classique : il peut se lire « kataba » (il a écrit), « kutub » (livres) ou « kutiba » (il a été écrit). Le lecteur tranche grâce à l'ensemble de la phrase.
Un article de Hala Al Masri et Muhy Eddin Zater sur la préparation de données vocales arabes décrit clairement ce problème : un même mot peut porter plusieurs sens quand les voyelles sont absentes, et le comédien comme le module d'IA gagnent à disposer de diacritiques qui réduisent l'ambiguïté. L'article propose une diacritisation partielle, placée uniquement aux endroits ambigus, car les textes entièrement voyellés sont rares et coûteux.
Peut-on ajouter les diacritiques automatiquement ? Les chiffres montrent des progrès et un écart
La solution logique consiste à ajouter les diacritiques automatiquement avant la lecture. La diacritisation automatique a beaucoup progressé, mais elle reste loin d'être parfaite. L'article CATT (un transformeur de tachkil arabe au niveau des caractères) présente les résultats de son modèle sur deux jeux de référence :
- Sur WikiNews avec les voyelles de fin de mot, le modèle encodeur-décodeur atteint un taux d'erreur de caractères d'environ 5,96 % et un taux d'erreur de mots d'environ 20,06 %.
- Sur le jeu CATT, plus difficile, le taux d'erreur de caractères est d'environ 8,62 % et le taux d'erreur de mots d'environ 34,19 %.
La différence entre les deux jeux est importante. Une erreur de mot signifie ici que le mot contient au moins une faute de diacritisation. Même s'il surpasse les modèles auxquels il est comparé, le modèle de l'article se trompe sur un mot sur cinq environ dans le jeu le plus simple, et sur environ un sur trois dans le plus difficile. Les voyelles de fin de mot (les terminaisons grammaticales) sont la partie la plus difficile, car elles dépendent de la structure de la phrase et non du seul mot. C'est pourquoi les chiffres s'améliorent quand on les exclut (environ 3,63 % d'erreur de caractères sur WikiNews).
À retenir : la diacritisation automatique réduit l'ambiguïté sans la supprimer, et toute erreur se retrouve directement dans la prononciation.
Les données peuvent-elles remplacer les diacritiques ? Une expérience du QCRI
Il existe une autre piste de recherche : au lieu d'ajouter des diacritiques au texte, entraîner le modèle sur une énorme quantité de parole pour qu'il apprenne à deviner juste. C'est ce qu'a testé l'article « More Data, Fewer Diacritics » (mars 2026), de chercheurs du Qatar Computing Research Institute (QCRI). L'équipe a collecté environ 20 000 heures d'audio sur des plateformes sociales et, après nettoyage et découpage, a conservé environ 4 000 heures utilisables pour l'entraînement. Elle a ensuite entraîné des modèles de tailles différentes, avec et sans diacritiques, et mesuré le taux d'erreur de mots (WER) à l'aide d'un modèle de reconnaissance vocale.
Principaux résultats :
- Avec 4 000 heures et des diacritiques : WER de 1,67, le meilleur résultat.
- Avec 4 000 heures sans diacritiques : WER de 3,18.
- Le modèle sans diacritiques entraîné sur 1 000 heures (3,12) fait mieux que les modèles voyellés entraînés sur 100 heures (3,48 et 3,62).
Les diacritiques donnent donc toujours le meilleur résultat à quantité de données égale, mais beaucoup de données compensent une grande part de leur absence. Les chercheurs signalent des limites importantes : l'expérience porte uniquement sur l'arabe standard moderne, la mesure est objective sans test d'écoute humain, et la famille de modèles de reconnaissance utilisée pour le score est liée à la chaîne de préparation des données, ce qui peut biaiser les résultats.
Arabe standard et dialectes : une langue écrite et une langue parlée
Le deuxième problème est plus profond que les diacritiques : de quel « arabe » parle-t-on ? L'article Habibi (janvier 2026) indique que l'arabe compte plus de 30 variétés parlées, que l'arabe standard moderne est rarement utilisé dans la parole quotidienne et que les dialectes diffèrent fortement par le vocabulaire et la prononciation. Il ajoute que la plupart des données vocales arabes disponibles ont été conçues à l'origine pour la reconnaissance vocale, sont souvent bruitées et non voyellées, et qu'il n'existe pas de référence unifiée pour évaluer la synthèse vocale multi-dialectale.
L'étude « Arab Voices » (Université de la Colombie-Britannique, janvier 2026) confirme ce constat côté données. Elle a recensé 31 jeux de données vocales arabes et constate que les étiquettes de dialecte ne sont pas normalisées et que des régions comme l'Afrique du Nord (algérien, hassaniyya, marocain et tunisien) et l'Irak sont sous-représentées. Lors de tests de reconnaissance vocale sans entraînement préalable, le taux d'erreur de certaines configurations de Whisper a dépassé 200 et atteint 271,25 pour l'arabe mésopotamien, alors que celui de l'arabe standard est tombé sous 12 pour plusieurs modèles. Ce sont des chiffres de reconnaissance vocale et non de synthèse, mais ils traduisent le même écart entre arabe standard et dialectes dans les données.
Un résultat marquant de Habibi : entraîner un modèle d'abord sur l'arabe standard puis sur le dialecte donne de bien meilleurs résultats que l'entraînement sur le dialecte seul. Sur le jeu SADA, le WER est d'environ 13,30 avec cette approche, contre 55,63 en entraînant à partir de zéro sur le dialecte. Autrement dit, l'arabe standard sert de fondation, et les données dialectales seules ne suffisent pas.
Avant que le modèle ne parle : normalisation du texte et enregistrement
Beaucoup d'erreurs que l'on entend ne viennent pas du modèle vocal, mais du texte qui lui parvient. Al Masri et Zater expliquent que la chaîne de préparation convertit les nombres, les dates, les mots non arabes et les abréviations en texte arabe prononçable avant la diacritisation, la correction orthographique et le découpage. Un texte comme « 1994 », « 5 km » ou « iPhone » ne se prononce pas comme il s'écrit et, sans conversion explicite, il sera mal prononcé ou ignoré.
L'article aborde aussi la qualité d'enregistrement : le bruit, le souffle et les plosives d'un studio non traité dégradent les données d'entraînement. Il conseille d'éviter le bruit à la source, de garder un rythme régulier et naturel, et de placer les pauses uniquement aux signes de ponctuation. Cela rappelle que la qualité d'une voix synthétique dépend de celle de la voix humaine dont elle a appris.
Comment savoir si une voix est bonne ? Le problème de la mesure
La plupart des études s'appuient sur des mesures automatiques comme le WER, la similarité du locuteur et la naturalité prédite (UTMOS), qui ont toutes leurs limites. Habibi avertit que certaines de ces mesures se généralisent mal hors des données d'entraînement ; c'est pourquoi les chercheurs ont ajouté une évaluation humaine avec 10 à 20 locuteurs natifs par dialecte. Dans sa comparaison avec un modèle commercial, aucun des deux ne l'emporte sur toutes les mesures : Habibi fait mieux sur la similarité du locuteur et sur le taux d'erreur dans plusieurs dialectes, tandis que le modèle commercial fait mieux sur la naturalité. La leçon : le « meilleur système » dépend de ce que l'on mesure, et rien ne remplace l'écoute.
Que faut-il en retenir pour qui produit du contenu audio en arabe ?
Quelques habitudes pratiques se dégagent de ces recherches. Il s'agit de mon analyse, et non de ce que les articles affirment mot pour mot :
- Ajoutez vous-même les diacritiques aux endroits ambigus. Une diacritisation partielle sur les mots qui admettent plusieurs prononciations coûte moins cher et est plus fiable que le pari, ce que suggèrent Al Masri et Zater.
- Écrivez les nombres, dates, abréviations et noms étrangers tels que vous voulez qu'ils soient prononcés.
- Choisissez l'arabe standard ou un dialecte en connaissance de cause, et évitez de les mélanger dans un même paragraphe, sauf choix artistique.
- Écoutez avant de publier. Aucune mesure automatique ne remplace une oreille humaine, surtout pour les noms, les termes et les nombres.
- Découpez les longs textes en courtes parties et relisez-les une à une : une erreur isolée dans une heure entière est difficile à repérer.
Moknah aujourd'hui
Moknah prend en charge une partie de ces étapes dans la plateforme : pour l'arabe, trois processeurs de texte sont proposés, Basique, Tashkeel et Poète IA, et Tashkeel et Poète IA consomment plus de crédits que Basique. La plateforme prend en charge la synthèse vocale dans plus de 130 langues. Elle ne remplace pas la relecture humaine ; elle réduit le travail manuel répétitif. Vous pouvez commencer gratuitement et essayer le texte qui vous intéresse depuis la page des tarifs.
À lire aussi
- Pourquoi la langue arabe représente-t-elle un défi majeur pour les systèmes mondiaux de voix off par IA ?
- Comment choisir la voix la plus adaptée à votre marque en utilisant la plateforme Moknah ?
- Technologie de conversion de texte en parole (Text-to-Speech)
Sources
- 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