L'arabo si scrive con meno di quanto si pronuncia. Quando un lettore arabo incontra una frase senza vocali, ricostruisce le vocali brevi dal contesto senza accorgersene. Un modello vocale deve fare la stessa cosa con la statistica. Qui iniziano i problemi: uno stesso testo può ammettere più di una pronuncia, e ogni pronuncia cambia il significato. Inoltre l'arabo ha un'enorme varietà di dialetti, per i quali i dati vocali ben organizzati sono scarsi. In questo articolo leggiamo che cosa dicono recenti lavori di ricerca su questi ostacoli, con i numeri pubblicati dai loro autori, e poi ne ricaviamo le conseguenze pratiche per chi produce contenuti audio in arabo.
Un testo che nasconde la pronuncia: il problema delle vocali brevi
L'arabo di solito si scrive senza vocali brevi (fatha, damma, kasra, sukun e tanwin). La parola «كتب» è un esempio noto: può essere letta «kataba» (scrisse), «kutub» (libri) o «kutiba» (fu scritto). Il lettore decide in base all'intera frase.
Un articolo di Hala Al Masri e Muhy Eddin Zater sulla preparazione dei dati vocali arabi descrive questo problema con chiarezza: una stessa parola può avere più significati quando mancano le vocali, e sia il doppiatore sia il modulo di IA traggono vantaggio da segni diacritici che riducono l'ambiguità. L'articolo propone una diacritizzazione parziale, con segni solo nei punti ambigui, perché i testi completamente vocalizzati sono rari e costosi.
Possiamo aggiungere i segni diacritici in automatico? I numeri mostrano progressi e un divario
La soluzione logica è aggiungere i segni diacritici automaticamente prima della lettura. La diacritizzazione automatica è migliorata molto, ma è ancora lontana dalla perfezione. L'articolo CATT (un transformer per il tashkeel arabo a livello di carattere) riporta i risultati del suo modello su due benchmark:
- Sul benchmark WikiNews con le vocali finali di caso, il modello encoder-decoder ha raggiunto un tasso di errore sui caratteri di circa il 5,96% e un tasso di errore sulle parole di circa il 20,06%.
- Sul benchmark CATT, più difficile, il tasso di errore sui caratteri è stato di circa l'8,62% e quello sulle parole di circa il 34,19%.
La differenza tra i benchmark è importante. Qui un errore di parola significa che la parola contiene almeno un errore di diacritizzazione. Pur superando i modelli con cui è confrontato, il modello dell'articolo sbaglia circa una parola su cinque nel benchmark più facile e circa una su tre in quello più difficile. Le vocali finali di caso (le desinenze grammaticali) sono la parte più difficile della diacritizzazione, perché dipendono dalla struttura della frase e non dalla sola parola. Per questo i numeri migliorano quando vengono escluse (circa il 3,63% di errore sui caratteri su WikiNews).
In sintesi: la diacritizzazione automatica riduce l'ambiguità ma non la elimina, e ogni suo errore passa direttamente nella pronuncia.
I dati possono sostituire i segni diacritici? Un esperimento del QCRI
Esiste una strada di ricerca alternativa: invece di aggiungere segni diacritici al testo, addestrare il modello su un'enorme quantità di parlato perché impari a indovinare correttamente. È quanto ha messo alla prova l'articolo «More Data, Fewer Diacritics» (marzo 2026), di ricercatori del Qatar Computing Research Institute (QCRI). Il gruppo ha raccolto circa 20.000 ore di audio da piattaforme social e, dopo pulizia e segmentazione, ne ha tenute circa 4000 adatte all'addestramento. Poi ha addestrato modelli di dimensioni diverse, con e senza segni diacritici, e ha misurato il tasso di errore sulle parole (WER) con un modello di riconoscimento vocale.
Risultati principali:
- Con 4000 ore e segni diacritici: WER di 1,67, il risultato migliore.
- Con 4000 ore e senza segni diacritici: WER di 3,18.
- Il modello senza segni diacritici addestrato su 1000 ore (3,12) ha battuto i modelli con segni diacritici addestrati su 100 ore (3,48 e 3,62).
In altre parole, a parità di dati i segni diacritici danno ancora il risultato migliore, ma molti dati compensano buona parte della loro assenza. I ricercatori indicano limiti importanti: l'esperimento ha riguardato solo l'arabo standard moderno, la misurazione era oggettiva e senza test di ascolto umano, e la famiglia di modelli di riconoscimento usata per il punteggio è legata alla catena di preparazione dei dati, il che può falsare i risultati.
Arabo standard e dialetti: una lingua scritta e una parlata
Il secondo problema è più profondo dei segni diacritici: di quale «arabo» parliamo? L'articolo Habibi (gennaio 2026) afferma che l'arabo ha più di 30 varietà parlate, che l'arabo standard moderno è raramente usato nel parlato quotidiano e che i dialetti differiscono molto per lessico e pronuncia. Aggiunge che la maggior parte dei dati vocali arabi disponibili è stata costruita in origine per il riconoscimento vocale, è spesso rumorosa e priva di segni diacritici, e che non esiste un benchmark unificato per valutare la sintesi vocale multidialettale.
Lo studio «Arab Voices» (Università della Columbia Britannica, gennaio 2026) conferma il quadro dal lato dei dati. Ha catalogato 31 dataset vocali arabi e ha rilevato che le etichette dei dialetti non sono standardizzate e che regioni come il Nord Africa (algerino, hassaniya, marocchino e tunisino) e l'Iraq sono poco rappresentate. Nei test di riconoscimento vocale senza addestramento preliminare, il tasso di errore di alcune configurazioni di Whisper ha superato 200 e ha raggiunto 271,25 per l'arabo mesopotamico, mentre quello dell'arabo standard è sceso sotto 12 in diversi modelli. Sono numeri di riconoscimento vocale e non di sintesi, ma riflettono lo stesso divario tra arabo standard e dialetti nei dati.
Un risultato notevole di Habibi è che addestrare il modello prima sull'arabo standard e poi sul dialetto dà risultati molto migliori dell'addestramento solo sul dialetto. Sul dataset SADA il WER è stato di circa 13,30 con questo approccio, contro 55,63 addestrando da zero solo sul dialetto. In altre parole, l'arabo standard funziona da fondamenta su cui costruire, e i soli dati dialettali non bastano.
Prima che il modello parli: normalizzazione del testo e registrazione
Molti degli errori che sentiamo non vengono dal modello vocale ma dal testo che gli arriva. Al Masri e Zater spiegano che la catena di preparazione converte numeri, date, parole non arabe e abbreviazioni in testo arabo pronunciabile prima della diacritizzazione, del controllo ortografico e della segmentazione. Un testo come «1994», «5 km» o «iPhone» non si pronuncia come si scrive e, se non viene convertito esplicitamente, sarà pronunciato male o saltato.
L'articolo tratta anche la qualità della registrazione: rumore, sibili e plosive in uno studio non trattato rovinano i dati di addestramento, e consiglia di evitare il rumore alla fonte, mantenere un ritmo costante e naturale e collocare le pause solo ai segni di punteggiatura. Ricorda che la qualità della voce sintetica dipende dalla qualità della voce umana da cui ha imparato.
Come capire se una voce è buona? Il problema della misurazione
La maggior parte degli studi si basa su metriche automatiche come il WER, la somiglianza del parlante e la naturalezza prevista (UTMOS), e tutte hanno dei limiti. Habibi avverte che alcune di queste metriche si generalizzano male fuori dai dati di addestramento, e per questo i ricercatori hanno aggiunto una valutazione umana con da 10 a 20 madrelingua per dialetto. Nel confronto con un modello commerciale, nessuno dei due ha vinto su tutte le metriche: Habibi è stato migliore per somiglianza del parlante e tasso di errore in diversi dialetti, il modello commerciale per naturalezza. La lezione è che il «miglior sistema» dipende da ciò che si misura, e che ascoltare davvero non ha sostituti.
Che cosa significa per chi produce contenuti audio in arabo?
Dalla ricerca qui sopra si ricavano alcune abitudini pratiche. È una mia analisi, non ciò che gli articoli dicono parola per parola:
- Aggiungete voi stessi i segni diacritici nei punti ambigui. Una diacritizzazione parziale sulle parole che ammettono più di una pronuncia costa meno ed è più precisa che affidarsi all'indovinare, come suggeriscono Al Masri e Zater.
- Scrivete numeri, date, abbreviazioni e nomi stranieri nel modo in cui volete che vengano pronunciati.
- Scegliete l'arabo standard o un dialetto di proposito ed evitate di mescolarli nello stesso paragrafo, salvo scelta artistica.
- Ascoltate prima di pubblicare. Nessuna metrica automatica sostituisce l'orecchio umano, soprattutto per nomi, termini e numeri.
- Dividete i testi lunghi in parti brevi e revisionateli parte per parte, perché un singolo errore in un'ora intera è difficile da individuare.
Moknah oggi
Moknah si occupa di una parte di questi passaggi all'interno della piattaforma: per l'arabo offre tre processori di testo, Base, Tashkeel e Poeta IA, e Tashkeel e Poeta IA consumano più crediti di Base. La piattaforma supporta la sintesi vocale da testo in più di 130 lingue. Non sostituisce la revisione umana; riduce il lavoro manuale ripetitivo. Potete iniziare gratis e provare il testo che vi interessa dalla pagina dei prezzi.
Letture correlate
- Perché l'arabo è una grande sfida per i sistemi globali di voce fuori campo con IA?
- Come scegliere la voce più adatta al tuo brand con Moknah?
- Che cos'è il text-to-speech?
Fonti
- 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