Harap aktifkan JavaScript untuk memastikan pengalaman terbaik.
-40% Black Friday: diskon terbesar kami tahun ini Hingga 31 Desember 2026 Lihat paket

Mengapa Suara AI Kesulitan dengan Bahasa Arab: Diakritik, Dialek, dan Data

Vokal yang hilang, 30 dialek, dan data langka: apa kata penelitian terbaru tentang sulitnya sintesis suara Arab dan artinya bagi kreator audio.

Mengapa Suara AI Kesulitan dengan Bahasa Arab: Diakritik, Dialek, dan Data

Bahasa Arab ditulis dengan lebih sedikit daripada yang diucapkan. Ketika pembaca Arab menemui kalimat tanpa vokal, ia menyusun kembali vokal pendek dari konteks tanpa menyadarinya. Model suara harus melakukan hal yang sama dengan statistik. Di sinilah masalah dimulai: satu teks bisa memiliki lebih dari satu pelafalan, dan setiap pelafalan mengubah makna. Selain itu, bahasa Arab memiliki ragam dialek yang sangat luas, sementara data suara yang tertata baik untuk dialek-dialek itu masih langka. Dalam artikel ini kita membaca apa yang dikatakan makalah penelitian terbaru tentang hambatan-hambatan tersebut, lengkap dengan angka yang dipublikasikan para penulisnya, lalu menarik kesimpulan praktis bagi siapa pun yang membuat konten audio berbahasa Arab.

Teks yang menyembunyikan pelafalannya: masalah vokal pendek

Bahasa Arab biasanya ditulis tanpa vokal pendek (fathah, dammah, kasrah, sukun, dan tanwin). Kata «كتب» adalah contoh yang dikenal: bisa dibaca «kataba» (ia menulis), «kutub» (buku-buku), atau «kutiba» (telah ditulis). Pembaca memutuskannya dari seluruh kalimat.

Makalah Hala Al Masri dan Muhy Eddin Zater tentang persiapan data suara Arab menjelaskan masalah ini dengan jelas: satu kata bisa memiliki beberapa makna ketika vokalnya tidak ada, dan baik pengisi suara maupun modul AI diuntungkan oleh tanda diakritik yang mengurangi ambiguitas. Makalah itu mengusulkan pemberian harakat parsial, yaitu tanda hanya di tempat-tempat yang ambigu, karena teks yang berharakat penuh jarang dan mahal.

Bisakah diakritik ditambahkan otomatis? Angka menunjukkan kemajuan dan kesenjangan

Solusi yang logis adalah menambahkan diakritik secara otomatis sebelum teks dibacakan. Pemberian harakat otomatis telah jauh membaik, tetapi masih jauh dari sempurna. Makalah CATT (transformer tashkeel Arab tingkat karakter) melaporkan hasil modelnya pada dua tolok ukur:

  • Pada tolok ukur WikiNews dengan akhiran kasus, model encoder-decoder mencapai tingkat kesalahan karakter sekitar 5,96% dan tingkat kesalahan kata sekitar 20,06%.
  • Pada tolok ukur CATT yang lebih sulit, tingkat kesalahan karakter sekitar 8,62% dan tingkat kesalahan kata sekitar 34,19%.

Perbedaan antara kedua tolok ukur itu penting. Kesalahan kata di sini berarti kata tersebut mengandung setidaknya satu kesalahan harakat. Meskipun model dalam makalah itu mengungguli model pembandingnya, ia salah pada sekitar satu dari lima kata pada tolok ukur yang lebih mudah dan sekitar satu dari tiga pada yang lebih sulit. Akhiran kasus (akhiran gramatikal kata) adalah bagian tersulit dari pemberian harakat, karena bergantung pada struktur kalimat, bukan hanya kata itu sendiri. Karena itu angkanya membaik ketika akhiran kasus dikecualikan (sekitar 3,63% kesalahan karakter pada WikiNews).

Kesimpulannya: pemberian harakat otomatis mengurangi ambiguitas tetapi tidak menghilangkannya, dan setiap kesalahan di dalamnya langsung terbawa ke pelafalan.

Bisakah data menggantikan diakritik? Eksperimen dari QCRI

Ada arah penelitian alternatif: alih-alih menambahkan diakritik ke teks, model dilatih dengan sangat banyak ucapan agar belajar menebak dengan benar. Itulah yang diuji makalah «More Data, Fewer Diacritics» (Maret 2026) dari para peneliti Qatar Computing Research Institute (QCRI). Tim mengumpulkan sekitar 20.000 jam audio dari platform sosial dan, setelah pembersihan dan segmentasi, menyisakan sekitar 4000 jam yang layak untuk pelatihan. Mereka kemudian melatih model berbagai ukuran, dengan dan tanpa diakritik, dan mengukur tingkat kesalahan kata (WER) menggunakan model pengenalan suara.

Hasil utama:

  • Dengan 4000 jam dan diakritik: WER 1,67, hasil terbaik.
  • Dengan 4000 jam tanpa diakritik: WER 3,18.
  • Model tanpa diakritik yang dilatih dengan 1000 jam (3,12) mengalahkan model berdiakritik yang dilatih dengan 100 jam (3,48 dan 3,62).

Artinya, pada jumlah data yang sama diakritik tetap memberi hasil terbaik, tetapi data yang banyak menutupi sebagian besar ketiadaannya. Para peneliti mencatat batasan penting: eksperimen hanya mencakup bahasa Arab Standar Modern, pengukurannya objektif tanpa uji dengar manusia, dan keluarga model pengenalan yang dipakai untuk penilaian terkait dengan alur persiapan data, yang bisa membiaskan hasil.

Arab Standar dan dialek: bahasa tulis dan bahasa lisan

Masalah kedua lebih dalam daripada diakritik: «bahasa Arab» yang mana yang kita maksud? Makalah Habibi (Januari 2026) menyebut bahwa bahasa Arab memiliki lebih dari 30 ragam lisan, bahwa Arab Standar Modern jarang dipakai dalam percakapan sehari-hari, dan bahwa dialek sangat berbeda dalam kosakata dan pelafalan. Makalah itu menambahkan bahwa sebagian besar data suara Arab yang tersedia semula dibuat untuk pengenalan suara, sering berisik dan tanpa diakritik, dan tidak ada tolok ukur terpadu untuk menilai sintesis suara multidialek.

Studi «Arab Voices» (University of British Columbia, Januari 2026) menguatkan gambaran ini dari sisi data. Studi itu mengkatalogkan 31 set data suara Arab dan menemukan bahwa label dialek tidak terstandar dan bahwa wilayah seperti Afrika Utara (Aljazair, Hassaniya, Maroko, dan Tunisia) serta Irak kurang terwakili. Dalam uji pengenalan suara tanpa pelatihan awal, tingkat kesalahan sebagian konfigurasi Whisper melampaui 200 dan mencapai 271,25 untuk bahasa Arab Mesopotamia, sedangkan untuk Arab Standar turun di bawah 12 pada beberapa model. Ini angka pengenalan suara, bukan sintesis suara, tetapi mencerminkan kesenjangan yang sama antara Arab Standar dan dialek dalam data.

Salah satu hasil mencolok Habibi adalah bahwa melatih model lebih dulu dengan Arab Standar lalu dengan dialek memberi hasil jauh lebih baik daripada melatih dengan dialek saja. Pada set data SADA, WER sekitar 13,30 dengan pendekatan ini, dibandingkan 55,63 ketika dilatih dari nol hanya dengan dialek. Dengan kata lain, Arab Standar berfungsi sebagai fondasi untuk membangun, dan data dialek saja tidak cukup.

Sebelum model berbicara: normalisasi teks dan perekaman

Banyak kesalahan yang kita dengar bukan berasal dari model suara, melainkan dari teks yang sampai kepadanya. Al Masri dan Zater menjelaskan bahwa alur persiapan mengubah angka, tanggal, kata non-Arab, dan singkatan menjadi teks Arab yang dapat dilafalkan sebelum pemberian harakat, pemeriksaan ejaan, dan segmentasi. Teks seperti «1994», «5 km», atau «iPhone» tidak dilafalkan seperti penulisannya dan, tanpa konversi eksplisit, akan salah dilafalkan atau terlewat.

Makalah itu juga membahas kualitas rekaman: derau, desis, dan bunyi letupan di studio yang tidak ditangani merusak data pelatihan, dan menyarankan mencegah derau di sumbernya, menjaga tempo yang stabil dan alami, serta menempatkan jeda hanya pada tanda baca. Ini mengingatkan bahwa kualitas suara sintetis bergantung pada kualitas suara manusia yang dipelajarinya.

Bagaimana kita tahu sebuah suara bagus? Masalah pengukuran

Sebagian besar studi bertumpu pada metrik otomatis seperti WER, kemiripan pembicara, dan prediksi kealamian (UTMOS), dan semuanya memiliki batas. Habibi memperingatkan bahwa sebagian metrik ini tidak digeneralisasi dengan baik di luar data pelatihan, sehingga para peneliti menambahkan penilaian manusia dengan 10 hingga 20 penutur asli untuk setiap dialek. Dalam perbandingannya dengan model komersial, tidak ada pihak yang menang di semua metrik: Habibi lebih baik dalam kemiripan pembicara dan tingkat kesalahan di beberapa dialek, sedangkan model komersial lebih baik dalam kealamian. Pelajarannya, «sistem terbaik» bergantung pada apa yang diukur, dan mendengarkan langsung tidak bisa digantikan.

Apa artinya bagi pembuat konten audio berbahasa Arab?

Dari penelitian di atas muncul beberapa kebiasaan praktis. Ini analisis saya sendiri, bukan kata demi kata yang dinyatakan makalah:

  1. Tambahkan sendiri diakritik di tempat yang ambigu. Harakat parsial pada kata yang memiliki lebih dari satu pelafalan lebih murah dan lebih akurat daripada mengandalkan tebakan, sebagaimana disarankan Al Masri dan Zater.
  2. Tulis angka, tanggal, singkatan, dan nama asing sesuai cara yang Anda inginkan untuk diucapkan.
  3. Pilih Arab Standar atau dialek dengan sengaja dan hindari mencampurnya dalam satu paragraf kecuali karena pilihan artistik.
  4. Dengarkan sebelum menerbitkan. Tidak ada metrik otomatis yang menggantikan telinga manusia, terutama untuk nama, istilah, dan angka.
  5. Pecah teks panjang menjadi bagian-bagian pendek dan periksa bagian demi bagian, karena satu kesalahan dalam satu jam penuh sulit ditemukan.

Moknah hari ini

Moknah menangani sebagian langkah ini di dalam platform: untuk bahasa Arab tersedia tiga pemroses teks, Dasar, Tashkeel, dan Penyair AI, dan Tashkeel serta Penyair AI memakai lebih banyak kredit daripada Dasar. Platform ini mendukung teks-ke-suara dalam lebih dari 130 bahasa. Ini tidak menggantikan peninjauan manusia, tetapi mengurangi pekerjaan manual yang berulang. Anda dapat mulai gratis dan mencoba teks yang penting bagi Anda dari halaman harga.

Bacaan terkait

Sumber

Menyukai artikel ini?

Dapatkan artikel baru dan pembaruan produk di kotak masuk Anda. Tanpa spam.

Kami menghargai privasi Anda. Berhenti berlangganan kapan saja.