阿拉伯语转写会把口语阿拉伯语转成书面阿拉伯语,而在2026年,每一份转写稿,无论是人工还是 AI,在完成前都要先做三个选择:写哪一种阿拉伯语(按口语方言写,还是现代标准阿拉伯语),是否加入元音符号,以及遇到没有标准形式的词时按谁的拼写算。许多通用语音工具并不会把这三项都作为输出设置提供。即使语音已经被识别,最终转写稿也可能与你需要的书写规范不同。
先说明一下搜索词。如果你指的是用拉丁字母书写阿拉伯语(Muhammad vs Mohammed),那是 阿拉伯语罗马化,是一项独立工作,也有各自竞争的标准。本指南讲的是把语音转成阿拉伯文字。
你已经知道阿拉伯语对语音识别来说很难:方言众多、语速快,还夹杂英语和法语。这部分最受关注。下面的研究表明,书写规范同样会影响转写稿,以及准确率是如何被衡量的。我们会结合已发表的数据逐一讲清这三个选择,说明如何为你的项目做决定,并坦率说明 MirrorCaption 适合什么、不适合什么。
关键要点
- 在 Mixat 数据集上,Whisper-medium 经常把阿联酋口语转写成现代标准阿拉伯语;其仅阿联酋语段和仅英语语段的词错误率分别约为 196% 和 12%(Mixat,LREC-COLING 2024)。
- 在一项古典朗读测试中,是否计算元音符号会让同一个微调模型在同一音频上的词错误率从 6.4% 变为 38.4%(Interspeech 2023),而另一项关于成人阅读语境的研究报告称,约 1-2% 的词带有符号。
- 四位转写员在埃及阿拉伯语上对约 13% 的词意见不一致,因为方言拼写并不统一(MGB-3)。
- 一些阿拉伯语基准在评分前会去掉元音并规范化部分字符,所以看到一个 headline 数字时,要先看它背后的评分规则。
- 在选工具之前先决定方言、元音和拼写,然后用你自己的 5 分钟音频测试候选工具。
为什么阿拉伯语转写本质上是一个书写问题
语音转文字供应商有时会宣传很高的准确率数字。除非它说明了测试音频、方言和评分方法,否则供应商的准确率声明很难直接套用到你的录音上。
研究基准解释了这些数字为什么会波动。Open Universal Arabic ASR Leaderboard 在评分前会去掉元音符号、规范化 hamza 和 madda 的变体,并把东阿拉伯数字转换掉。这是比较模型的合理方式。但这也意味着,评分忽略的恰恰是你认真阅读转写稿时会注意到的细节。
同一个排行榜也显示了音频本身有多重要。Whisper large-v3 在 SADA 测试集上的现代标准阿拉伯语词错误率约为 28%,但在埃及阿拉伯语上约为 59%,在海湾阿拉伯语上约为 60%。在你知道是哪一种阿拉伯语、什么录音条件以及什么评分规则之前,一个笼统的准确率数字并不能告诉你多少。若你对这个指标还不熟悉,我们的AI 转写准确率对比会更详细解释词错误率。
想先看看自己的阿拉伯语音频转写出来是什么样,再继续阅读吗?MirrorCaption 可以在浏览器标签页里实时转写阿拉伯语,且首小时免费,无需信用卡。
免费试用阿拉伯语转写选择 1:写下哪一种阿拉伯语
当有人说阿联酋、埃及或黎凡特阿拉伯语时,转写稿可以做两件事中的一件。它可以按口语方言原样书写,也可以悄悄改写成同样意思的现代标准阿拉伯语(MSA)版本。两者都合法有效,但不是同一份文档。
这里有个真实例子。一位埃及说话者说 إزيك؟(“你好吗?”)。逐字转写会保留 إزيك。而标准阿拉伯语归一化转写会写成 كيف حالك؟,这在阿拉伯语里没错,但房间里没有人真的这么说。
有些模型可以生成第二种输出。在阿联酋语音 Mixat 研究中,研究人员发现“Whisper 将句子翻译成 MSA”,因此“执行了错误的任务”。在该数据集中,Whisper-medium 在仅阿联酋语段上的词错误率为 195.98%,在仅英语语段上的词错误率为 12.06%。词错误率会根据参考词数统计替换、删除和插入,因此可以超过 100%;这些是某个数据集上的分段结果,不是通用准确率。
什么时候逐字保留方言很重要
- 研究访谈和语言学:方言本身往往就是数据。
- 法律和证据工作:引语需要的是原话,不是转述。
- 新闻报道:被引用的人应该听起来像他们自己。
- 面向方言受众的字幕:观众会注意到文字和嘴型不一致。
如果你的受众只需要意思,比如内部会议记录或摘要,那么 MSA 输出就可以,而且通常更便于跨地区阅读。
一位研究人员(我们叫她 Layla)录制了 20 场在阿布扎比进行的家庭预算访谈。她的第一轮机器转写返回的是干净、正式的阿拉伯语。复核时,她想分析的阿联酋表达都不见了,取而代之的是标准对应词。解决办法是流程上的:她在简报顶部写上“逐字保留方言,不要标准化”,先拿第一份文件对照音频抽查,并在输出持续偏向 MSA 时切换工具。
选择 2:是否写出元音
阿拉伯文字主要书写辅音和长元音。短元音是可选符号(تشكيل,tashkeel),放在字母上方或下方。三个字母的字符串 كتب 可以是 كَتَبَ(他写了)、كُتُب(书)或 كُتِبَ(它被写下了)。读者会根据上下文判断。
日常书写通常会省略这些符号。一项关于真实文本中附加符号的 2024 年研究引用 Habash 早先的工作,报告称一般成人阅读语境中大约 1-2% 的词至少带有一个符号。所以,不带元音的转写稿是正常的,也适合许多日常转写场景。
问题出现在你确实需要元音的时候。在一篇 Interspeech 2023 论文中,开箱即用的 Whisper-medium 只在预期位置的 1.9% 上生成了元音符号。一个微调模型在忽略元音时的词错误率为 6.4%,而在计算元音时则为 38.4%,且是在同一段音频上。一个用人工加元音文本训练的模型表现更好,分别为 6.5% 和 13.4%。测试集是古典朗读语音;这些数字不能预测其在对话音频上的表现。
什么时候应该要求写出元音符号
- 古兰经或古典诵读:发音就是内容本身。
- 教学材料:学习者需要元音才能朗读。
- 罕见姓名和技术术语:只给这些词加符号,避免被误读。
其他情况则应要求不带元音的文本,把审校时间留给别处。
选择 3:阿拉伯语转写里谁的拼写算数
MSA 有拼写标准。口语方言通常没有统一公认的拼写。埃及阿拉伯语里的“什么”可以写成 إيه 或 ايه,“现在”可以写成 دلوقتي 或 دلوقت。像 ة 和 ه,或 ى 和 ي 这样的词尾,即使是细心的写作者也会互换。
这不是机器的问题。在 MGB-3 埃及阿拉伯语基准中,四位转写员独立书写同一段音频,对约 13% 的词意见不一致。当组织者把四种人工拼写中的任意一种都算作正确时,获胜系统的错误率从 37.5% 降到了 29.3%。较低的多参考分数说明评分规范很重要;这并不意味着每一个差异都只是拼写变体。
实际教训是:并不是每个方言词都有一个全球通用的拼写。你能做到的是保持一致。为反复出现的词和名字选定一种拼写,并让每个文件都遵守它。
开罗一家新闻编辑室的团队(我们叫制片人 Omar)为一部纪录片转写了一周的街采采访。三位自由职业者分工处理这些文件,而粗剪版本里同一个俚语在屏幕上被拼成了三种写法。在下一批素材开始前,Omar 写了一页风格表:十个反复出现的方言词、要使用的拼写,以及英语借词的写法。第二批的审校时间就用来核对意思,而不是争论字母。
如何选择阿拉伯语转写设置
先做这三个决定,再选工具。下表把常见项目与通常适合它们的设置对应起来。
| 项目 | 方言或 MSA | 元音符号 | 拼写规则 | 常见路径 |
|---|---|---|---|---|
| 会议记录、内部通话 | 任一;意思最重要 | 无 | 工具默认 | 实时 AI 转写,轻度审校 |
| 研究访谈 | 逐字方言 | 无,姓名除外 | 项目风格表 | AI 初稿加人工审校 |
| 法律或证据音频 | 逐字方言 | 仅在意思有歧义处 | 有文档记录且保持一致 | 专业人工转写并有记录的审校 |
| 新闻和纪录片 | 引语逐字保留 | 无 | 新闻编辑室风格表 | AI 草稿,编辑逐条核对引语 |
| 诵读或教学音频 | 古典或 MSA | 完整 | 标准正字法 | 专业人工或经过元音训练的模型 |
| 阿拉伯语加翻译 | 任一 | 无 | 工具默认 | 实时转写并并排显示翻译 |
再做两项检查可以省去返工。第一,如果说话者在一句话里在阿拉伯语和英语或法语之间切换,要测试这种精确模式;同一项 Mixat 研究发现,代码切换语音上的词错误率为 121.78%。我们的多语言转写软件指南介绍了专为混合语言音频设计的工具。第二,要先决定你是在对话进行时就需要文本,还是事后才需要,因为这会把工具市场分成两类。相关取舍已在实时转写与会后转写中说明。
例如,Google Cloud Speech-to-Text 列出了阿拉伯语国家/地区语言环境,例如埃及、沙特阿拉伯和摩洛哥。选择某个 locale 并不意味着转写一定会遵循你偏好的方言、元音或拼写规范;请拿你的简报去测试输出。
MirrorCaption 在阿拉伯语转写中的位置
MirrorCaption 是为实时场景而设计的。在 Meet 模式下,它会在桌面版 Chrome 或 Edge 中捕获会议标签页的音频,因此浏览器里的 Zoom、Teams、Meet 或 Webex 通话中的阿拉伯语会在说话时被转写,而且不会有机器人加入通话。在手机上,Talk 模式可用于面对面交流的一整段连续会话。无论哪种方式,你都可以把翻译显示成另外 50+ 种可选语言,并排放在阿拉伯语旁边,这在房间里有一半人看不懂阿拉伯文字时很有帮助。对于录音,上传转写器会处理已完成的文件,并在完成后把转写结果送到你的历史记录中。
下面是它不做的事情,这样你可以公平判断:
- MirrorCaption 中没有方言、MSA 或元音输出切换。请按你的要求规范检查输出。
- 没有公开的阿拉伯语词错误率。我们没有做过足以背书的基准测试,所以请用你的音频来测试它。
- 测试混合语言上传。上传转写器接受语言提示,但在依赖结果前,请先拿音频核对代码切换。
- 当前会话导出对话框中没有 SRT 或 VTT 导出。转写结果可导出为 Markdown、纯文本或 JSON。
一个产品团队在利雅得有工程师,在柏林有一位经理(我们叫他 Jonas),他们每周开会时,沙特团队常常会切换成阿拉伯语来敲定细节。Jonas 在通话旁边的 Chrome 标签页里打开 MirrorCaption,一边看着阿拉伯语转写和英文并排显示,一边跟进讨论。他不需要元音符号,也不需要逐字方言,只需要及时理解意思,好在会议继续前提出追问。
如果你的项目是实时会议、通话或对话,而且你主要需要的是意思,那么这正是 MirrorCaption 为之设计的场景。如果你是在为特定语言对翻译阿拉伯语,我们关于阿拉伯语到中文实时语音翻译器的演示展示了同样的实时设置如何使用。
用你自己的 5 分钟阿拉伯语来测试它。录一段典型片段,用两个工具跑一遍,然后比较方言、拼写和姓名。MirrorCaption 的免费一小时足够完成这项测试。
开始你的免费一小时阿拉伯语转写常见问题
为什么阿拉伯语转写准确率声明差异这么大?
因为它们衡量的是不同的东西。一些阿拉伯语基准在评分前会去掉元音符号并规范化 hamza。结果还取决于方言、录音条件和参考转写。向供应商索要测试集和评分规则,然后测试你自己的音频。
阿拉伯语转写稿应该包含元音符号吗?
通常不需要。一项关于一般成人阅读语境的研究报告称,大约 1-2% 的词至少带有一个元音符号,所以不带元音的转写稿通常读起来很正常。只有在发音就是重点时才要求元音:古兰经或古典诵读、教学材料,或者读者可能误读的罕见姓名和术语。
我可以把阿拉伯语转写成英语字母,而不是阿拉伯文字吗?
可以,但那是罗马化,是一个独立步骤,而且有多个竞争系统。如果工具给你的是阿拉伯文字,而你需要拉丁字母,请使用一个明确命名的系统进行罗马化,这样反复出现的名字就能保持一致拼写。
MirrorCaption 可以实时转写并翻译阿拉伯语吗?
可以。MirrorCaption 会在浏览器中实时转写阿拉伯语,并可并排显示另一种受支持语言的翻译。录音则通过它的上传转写器处理。它没有方言、MSA 或元音切换,也没有公开的阿拉伯语错误率,所以请用免费一小时和你自己的音频来测试它。
在选工具之前先做出这三个决定
好的阿拉伯语转写始于决策,而不是软件。总结如下:
- 哪一种阿拉伯语:引语、研究和证据用逐字方言;如果只看意思,MSA 就可以。
- 元音:除非发音就是内容,否则省略;只给可能被误读的词加符号。
- 拼写:方言拼写并不统一,所以写一份简短风格表,并让每个文件都遵守它。
- 准确率声明:把它们当作提示,并用你自己的 5 分钟音频测试。
无论是交给自由职业者还是工具,都先把这三个选择写在简报顶部。如果你需要在实时对话中把阿拉伯语转写并理解,MirrorCaption 是一个快速查看效果的方式。