Арабский пишется скупее, чем произносится. Когда читающий по-арабски встречает текст без огласовок, он без усилий восстанавливает краткие гласные по контексту. Речевой модели приходится делать то же самое статистически. Здесь и начинаются трудности: один и тот же текст допускает несколько вариантов произношения, и каждый меняет смысл. К тому же у арабского огромное разнообразие диалектов, а хорошо структурированных речевых данных по ним мало. В этой статье мы разбираем, что говорят о таких препятствиях свежие научные работы, опираясь на цифры, опубликованные их авторами, а затем делаем практические выводы для тех, кто создаёт аудиоконтент на арабском.
Текст, скрывающий своё произношение: проблема кратких гласных
Арабский обычно пишут без кратких гласных (фатха, дамма, касра, сукун и танвин). Слово «كتب» — известный пример: его можно прочитать «катаба» (он написал), «кутуб» (книги) или «кутиба» (было написано). Читатель определяет вариант по всему предложению.
Работа Халы аль-Масри и Мухи ад-Дина Затера о подготовке арабских речевых данных ясно описывает эту проблему: при отсутствии гласных одно слово может иметь несколько значений, и диктору, и модулю ИИ полезны огласовки, снижающие неоднозначность. Авторы предлагают частичную огласовку только в неоднозначных местах, поскольку полностью огласованные тексты редки и дороги.
Можно ли расставлять огласовки автоматически? Цифры показывают прогресс и разрыв
Логичное решение — автоматически расставить огласовки до озвучивания. Автоматическая огласовка сильно улучшилась, но до идеала далеко. В статье CATT (посимвольный трансформер для огласовки арабского) приведены результаты модели на двух тестовых наборах:
- На наборе WikiNews с падежными окончаниями модель «кодировщик-декодировщик» показала долю ошибок в символах около 5,96% и долю ошибок в словах около 20,06%.
- На более сложном наборе CATT доля ошибок в символах составила около 8,62%, в словах — около 34,19%.
Разница между наборами важна. Ошибка в слове здесь означает, что в слове есть хотя бы одна ошибка огласовки. Хотя модель из статьи превосходит модели, с которыми её сравнивали, она ошибается примерно в одном слове из пяти на лёгком наборе и примерно в одном из трёх на сложном. Падежные окончания — самая трудная часть огласовки, потому что зависят от структуры предложения, а не от одного слова. Поэтому без них цифры в работе лучше (около 3,63% ошибок в символах на WikiNews).
Вывод: автоматическая огласовка снижает неоднозначность, но не устраняет её, а любая её ошибка попадает прямо в произношение.
Могут ли данные заменить огласовки? Эксперимент QCRI
Есть альтернативное направление исследований: вместо расстановки огласовок в тексте обучить модель на огромном объёме речи, чтобы она научилась правильно угадывать. Именно это проверила статья «More Data, Fewer Diacritics» (март 2026) исследователей из Катарского вычислительного научно-исследовательского института (QCRI). Команда собрала около 20 000 часов аудио из соцсетей и после очистки и нарезки оставила около 4000 часов, пригодных для обучения. Затем она обучила модели разного размера с огласовками и без них и измерила долю ошибок в словах (WER) с помощью модели распознавания речи.
Основные результаты:
- 4000 часов и огласовки: WER 1,67 — лучший результат.
- 4000 часов без огласовок: WER 3,18.
- Модель без огласовок, обученная на 1000 часах (3,12), превзошла модели с огласовками на 100 часах (3,48 и 3,62).
Иными словами, при равном объёме данных огласовки по-прежнему дают лучший результат, но большое количество данных во многом компенсирует их отсутствие. Исследователи называют важные ограничения: эксперимент проведён только на современном литературном арабском, оценка объективная, без прослушивания людьми, а семейство модели распознавания, использованное для оценки, связано с конвейером подготовки данных, что может смещать результаты.
Литературный арабский и диалекты: письменный язык и разговорный
Вторая проблема глубже огласовок: о каком «арабском» идёт речь? В статье Habibi (январь 2026) говорится, что у арабского более 30 разговорных разновидностей, что современный литературный арабский редко используется в повседневной речи, а диалекты сильно различаются лексикой и произношением. Там же отмечено, что большинство доступных арабских речевых данных изначально создавалось для распознавания речи, часто зашумлено и не имеет огласовок, а единого эталона для оценки многодиалектного синтеза речи нет.
Исследование «Arab Voices» (Университет Британской Колумбии, январь 2026) подтверждает картину со стороны данных. Авторы учли 31 арабский речевой набор данных и выяснили, что метки диалектов не стандартизированы, а такие регионы, как Северная Африка (алжирский, хасания, марокканский и тунисский) и Ирак, представлены слабо. В тестах распознавания речи без предварительного обучения доля ошибок у некоторых конфигураций Whisper превысила 200 и достигла 271,25 для месопотамского арабского, тогда как для литературного арабского она опустилась ниже 12 у нескольких моделей. Это цифры по распознаванию, а не синтезу речи, но они отражают тот же разрыв между литературным арабским и диалектами в данных.
Один из ярких результатов Habibi: обучение модели сначала на литературном арабском, а потом на диалекте даёт заметно лучшие результаты, чем обучение только на диалекте. На наборе SADA WER составил около 13,30 при таком подходе против 55,63 при обучении с нуля на диалекте. То есть литературный арабский служит фундаментом, а одних диалектных данных недостаточно.
Прежде чем модель заговорит: нормализация текста и запись
Многие слышимые ошибки происходят не из-за речевой модели, а из-за текста, который до неё доходит. Аль-Масри и Затер объясняют, что конвейер преобразует числа, даты, неарабские слова и сокращения в произносимый арабский текст до огласовки, проверки орфографии и разбиения. Текст вроде «1994», «5 км» или «iPhone» читается не так, как пишется, и без явного преобразования его произнесут неверно или пропустят.
Работа касается и качества записи: шум, шипение и взрывные звуки в необработанной студии портят обучающие данные, поэтому авторы советуют предотвращать шум на источнике, держать ровный естественный темп и ставить паузы только на знаках препинания. Это напоминает, что качество синтетического голоса зависит от качества человеческого голоса, на котором он учился.
Как понять, что голос хорош? Проблема измерения
Большинство исследований опирается на автоматические метрики вроде WER, сходства диктора и прогнозируемой естественности (UTMOS), и у всех есть ограничения. Habibi предупреждает, что часть этих метрик плохо обобщается за пределами обучающих данных, поэтому исследователи добавили оценку людьми с участием от 10 до 20 носителей на каждый диалект. В сравнении с коммерческой моделью ни одна сторона не победила по всем метрикам: Habibi лучше по сходству диктора и по доле ошибок в нескольких диалектах, а коммерческая модель — по естественности. Урок в том, что «лучшая система» зависит от того, что измеряется, а живое прослушивание ничем не заменить.
Что это значит для тех, кто делает арабский аудиоконтент?
Из этих исследований следуют практические привычки. Это мой анализ, а не то, что дословно утверждают авторы:
- Расставляйте огласовки в неоднозначных местах сами. Частичная огласовка в словах с несколькими вариантами произношения дешевле и точнее, чем полагаться на догадку; это предлагают аль-Масри и Затер.
- Пишите числа, даты, сокращения и иностранные имена так, как их нужно произнести.
- Выбирайте литературный арабский или диалект осознанно и не смешивайте их в одном абзаце, если это не художественный приём.
- Слушайте перед публикацией. Никакая автоматическая метрика не заменит человеческого уха, особенно для имён, терминов и чисел.
- Делите длинный текст на короткие части и проверяйте по частям: одну ошибку в часовой записи трудно заметить.
Moknah сегодня
Moknah берёт на себя часть этих шагов внутри платформы: для арабского есть три обработчика текста — Базовый, Tashkeel и «ИИ-поэт», причём Tashkeel и «ИИ-поэт» расходуют больше кредитов, чем Базовый. Платформа поддерживает преобразование текста в речь более чем на 130 языках. Она не заменяет проверку человеком, а сокращает повторяющуюся ручную работу. Можно начать бесплатно и проверить важный для вас текст на странице тарифов.
Читайте также
- Почему арабский язык представляет собой серьезную проблему для глобальных систем озвучивания на базе ИИ?
- Как выбрать наиболее подходящий голос для вашего бренда с помощью платформы Moknah?
- Технология преобразования текста в речь (Text-to-Speech)
Источники
- 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