Transcription de l'arabe : arabe standard contre dialectes dans la reconnaissance vocale (guide 2026)

La transcription de l'arabe en texte est plus difficile que pour presque toute autre langue, et la raison tient à la diglossie. La plupart des langues ont une forme parlée qui correspond raisonnablement à une forme écrite. L'arabe en a deux : l'arabe standard moderne (MSA), utilisé dans l'écrit formel, les journaux télévisés et les contextes religieux, et une constellation de dialectes régionaux (égyptien, du Golfe, levantin, maghrébin, irakien, et bien d'autres) que les locuteurs natifs utilisent réellement au quotidien. Ils partagent le même alphabet de 28 lettres, mais diffèrent suffisamment en vocabulaire et en phonologie pour qu'un Marocain et un Koweïtien passant du dialecte au MSA soit à peu près comparable au changement de registre entre l'anglais académique formel et un créole local. Pour la transcription par IA, cela crée un paysage de précision à plusieurs niveaux, où la variante que vous avez détermine quel moteur utiliser et combien de relecture prévoir.

Le problème de la diglossie : pourquoi « l'arabe » n'est pas une seule cible pour la reconnaissance vocale

Le MSA n'est la langue maternelle de personne, mais tout locuteur arabe éduqué le comprend. C'est la langue des émissions d'Al Jazeera et d'Al Arabiya, des cours universitaires, des documents officiels du gouvernement et des sermons du vendredi dans la plupart des mosquées. L'écriture est entièrement standardisée. La phonologie est cohérente. Les données d'entraînement sont abondantes.

Les dialectes régionaux, eux, sont un tout autre défi. Ils partagent l'écriture, mais pas le vocabulaire ni les conventions de prononciation. Le darija marocain et l'arabe najdi d'Arabie saoudite sont mutuellement inintelligibles à l'oral naturel ; un natif de Riyad et un natif de Casablanca se rabattraient sur le MSA pour communiquer, ou sur le français ou l'anglais si l'un d'eux le maîtrise. Cela signifie que les moteurs de reconnaissance vocale entraînés sur un dialecte échouent de manière imprévisible sur un autre.

La littérature de recherche confirme cet écart. Les études comparant les modèles Whisper sur l'arabe dialectal rapportent des taux d'erreur de mots compris entre 25 et 50 % pour les dialectes, contre environ 15 à 20 % de WER pour la parole broadcast en MSA propre. Whisper large-v3 produit parfois des traductions anglaises au lieu de transcriptions arabes sur des entrées dialectales, un artefact de son entraînement multilingue que le modèle medium gère mieux dans certains scénarios à forte dominante dialectale. Ces chiffres proviennent de benchmarks ASR évalués par les pairs, pas de marketing de fournisseurs, traitez-les comme des indications directionnelles plutôt que des valeurs exactes pour vos conditions audio spécifiques.

Arabe standard moderne : là où la précision est la plus forte

La MSA est l'arabe le plus facile pour la transcription par IA. L'audio de type broadcast, les présentateurs de journaux, les présentations scriptées, les discours formels, atteint les taux d'erreur de mots les plus bas de toutes les variétés arabes, sur tous les moteurs majeurs. Si votre contenu provient d'agences de presse, de cours académiques, de sermons religieux délivrés en registre formel, ou de déclarations officielles gouvernementales, vous pouvez vous attendre à un résultat IA comparable à ce que vous obtiendriez avec une transcription en langue européenne.

La mécanique de l'écriture joue en votre faveur ici. La MSA suit des règles orthographiques codifiées. Le placement de la hamza (au-dessus de l'alef, en dessous de l'alef, sur le waw, sur le ya, ou isolée) est standardisé dans l'écrit formel, même si les moteurs divergent parfois sur la forme à produire. Les combinaisons de lettres sont prévisibles. Les limites de mots sont claires.

Note orthographique qui influence votre lecture du résultat : les tashkeel (les signes diacritiques indiquant les voyelles courtes : fatha, kasra, damma, sukun, shaddah) sont presque toujours omis dans l'écriture arabe standard. Articles de presse, travaux académiques et correspondance professionnelle s'en passent. La transcription par IA suit cette convention. Le résultat sera un arabe non diacrité, conforme à ce que vous liriez dans toute publication arabe professionnelle. Si vous avez besoin d'un texte diacrité pour du contenu coranique ou des supports d'apprentissage des langues, cela nécessite une étape de post-traitement séparée.

Le rendu de droite à gauche est géré au niveau de l'affichage et de l'export. Un fichier SRT ou DOCX bien configuré signale le sens du contenu, afin que les traitements de texte et les lecteurs de sous-titres l'affichent correctement. Si l'arabe apparaît inversé dans votre lecteur de sous-titres, le problème vient du lecteur, pas du fichier de transcription.

Arabe égyptien : le dialecte le mieux pris en charge

L'arabe égyptien dispose de la plus grande quantité de données d'entraînement de tous les dialectes arabes, principalement parce que l'Égypte domine le cinéma, la télévision et la musique arabophones depuis des décennies. L'Al Masri (l'arabe du Caire) est largement compris dans tout le monde arabe. Un feuilleton égyptien est compréhensible pour un Jordanien ou un Bahreïni, ce qui n'est pas le cas du darija marocain.

Pour la reconnaissance vocale, cela se traduit par une meilleure précision que tout autre dialecte. Le parler urbain du Caire se situe en haut de la fourchette ; les dialectes ruraux de Haute-Égypte, avec des variations plus marquées des consonnes pharyngales, se situent plus bas. L'arabe égyptien intègre aussi un vocabulaire d'emprunt au turc, au français et à l'anglais, stable depuis assez longtemps pour que les modèles le traitent correctement.

Si votre contenu est en arabe égyptien, qu'il s'agisse de podcasts, d'enregistrements de centres d'appels, de commentaires YouTube ou d'entretiens réalisés en Égypte, vous bénéficiez des conditions dialectales les plus favorables parmi toutes les variétés non-MSA.

Arabe du Golfe : des variations internes importantes

L’arabe du Golfe couvre l’Arabie saoudite, les Émirats arabes unis, le Qatar, le Koweït, Bahreïn et Oman. Les variations au sein de l’arabe du Golfe sont considérables. L’arabe najdi (centre de l’Arabie saoudite) diffère nettement de l’arabe hijazi (ouest de l’Arabie saoudite), et tous deux diffèrent de l’arabe émirati ou omanais. Cela a un impact sur la transcription : choisir un modèle générique « arabe du Golfe » peut mieux gérer certaines sous-variétés que d’autres.

Le contenu professionnel du Golfe, aux Émirats et au Qatar, alterne fréquemment avec l’anglais, surtout dans la tech, la finance et les communications d’entreprise. Deepgram Nova-3 fournit des codes de dialecte nommés pour chaque pays du Golfe (ar-AE, ar-SA, ar-QA, ar-KW), ce qui permet d’acheminer l’audio vers le modèle acoustique régional le plus proche plutôt que vers un modèle arabe générique. Que cela fasse une différence d’exactitude significative en pratique dépend de la marque dialectale du discours par rapport à sa part d’arabe standard moderne.

Arabe levantin : alternance codique avec le français et l’anglais

L’arabe levantin couvre la Syrie, le Liban, la Jordanie et la Palestine. Le libanais de Beyrouth est la variété levantine la plus complexe sur le plan linguistique pour la reconnaissance vocale, car il mélange librement l’arabe avec le français, parfois en pleine phrase, et aussi avec l’anglais. Un podcast tech libanais peut passer de l’arabe au français puis à l’anglais au sein d’un même tour de parole. Ce n’est ni inhabituel ni informel ; c’est ainsi que les Libanais instruits communiquent naturellement.

Les moteurs de reconnaissance vocale actuels gèrent mieux l’alternance codique en fin de phrase que celle en milieu de phrase. Quand une phrase en arabe est suivie d’une phrase en français, les modèles gèrent la transition convenablement. Quand une seule phrase contient des verbes arabes, des noms français et des marques anglaises, la qualité de sortie se dégrade. Whisper gère une partie de l’alternance multilingue grâce à son entraînement multilingue, mais l’exactitude n’est pas assez fiable pour éviter une relecture sur du contenu libanais ou algérien fortement alterné.

Les recherches sur les benchmarks de l'alternance codique arabe-anglais rapportent un WER compris entre 24 et 50 % sur les corpus mixtes, ce qui souligne pourquoi le temps de révision est non négociable pour ce type de contenu.

L'arabe maghrébin : le cas le plus difficile en ASR arabe

L'arabe marocain, algérien et tunisien (collectivement appelé darija) est la variété arabe la plus difficile pour tous les grands moteurs d'ASR. Trois facteurs se combinent pour créer cette difficulté :

Premièrement, la darija a absorbé un vocabulaire berbère (tamazight) massif. La darija marocaine utilise des mots tamazight pour des objets et actions du quotidien qui n'ont pas d'équivalent en arabe. Ces mots n'apparaissent tout simplement pas dans les données d'entraînement de l'arabe standard moderne (MSA) ou des dialectes orientaux.

Deuxièmement, la darija est phonologiquement compressée. Les voyelles courtes qui existent en MSA sont entièrement supprimées dans la parole rapide et naturelle, créant des groupes de consonnes rares dans les autres variétés arabes.

Troisièmement, l'alternance codique avec le français est constante au Maroc, en Algérie et en Tunisie. Ce n'est pas un emprunt occasionnel, c'est structurel. Un locuteur algérien peut utiliser des verbes français conjugués avec une morphologie arabe dans la même phrase. Pour un moteur qui doit décider s'il sort en caractères arabes ou latins, cela crée une ambiguïté fondamentale.

Les données d'intercompréhension illustrent l'asymétrie : les locuteurs d'Égypte, du Golfe et du Levant ne suivent généralement pas la darija naturelle. Les locuteurs maghrébins, grâce à leur exposition médiatique aux dialectes orientaux, comprennent généralement mieux l'arabe égyptien et levantin. Cette même asymétrie apparaît dans la couverture des données d'entraînement ASR.

Si votre audio est en darija marocaine ou algérienne, prévoyez une passe de révision substantielle. Ce n'est pas un échec des outils, c'est un problème de couverture des données sur lequel la communauté de recherche travaille activement.

Quels moteurs prennent réellement en charge les dialectes arabes

Les principaux moteurs diffèrent considérablement dans la manière dont ils abordent explicitement la variation dialectale de l'arabe.

Deepgram Nova-3 est le plus explicite concernant la prise en charge des dialectes. L'arabe a été ajouté avec Nova-3 (Nova-2 ne le prenait pas en charge). Nova-3 propose 17 codes de dialecte nommés couvrant tous les grands groupes régionaux : ar pour l'arabe générique, plus ar-AE, ar-SA, ar-QA, ar-KW pour les pays du Golfe ; ar-SY, ar-LB, ar-PS, ar-JO pour les pays du Levant ; ar-EG, ar-SD pour la région du Nil ; ar-MA, ar-DZ, ar-TN pour le Maghreb ; et ar-IQ, ar-TD, ar-IR pour les variétés mésopotamiennes et périphériques. Deepgram revendique jusqu'à 40 % de WER en moins par rapport aux systèmes concurrents sur les discours riches en dialectes, même si les chiffres de référence précis pour chaque dialecte ne sont pas divulgués publiquement de manière détaillée. La fonction Keyterm Prompting, disponible sur tous les dialectes, permet d'injecter une terminologie métier au moment de l'inférence, ce qui aide avec les noms propres, les marques et le vocabulaire technique.

AssemblyAI Universal-3 Pro prend en charge l'arabe parmi ses 99 langues et gère automatiquement les variations dialectales, sans nécessiter de code de dialecte spécifique. La documentation du modèle Universal-2 classe l'arabe dans le palier de précision « 10-25 % de WER ». Universal-3 Pro est plus récent et plus performant, même si AssemblyAI ne publie pas de chiffres par dialecte. La diarisation des locuteurs est prise en charge. Consultez la meilleure sélection d'API de transcription vocale en 2026 pour une comparaison plus large.

Speechmatics revendique un WER de 4,5 % sur l'arabe, surpassant Google, OpenAI Whisper, AssemblyAI et Deepgram sur ses benchmarks internes (avec 35 % d'erreurs en moins que son concurrent le plus proche sur les tâches de code-switching arabe-anglais). Il couvre l'arabe standard moderne, ainsi que les variétés égyptienne, levantine, du Golfe et maghrébine. Les tarifs ne sont pas affichés publiquement ; ils offrent 40 heures de transcription gratuites par mois pour l'évaluation.

OpenAI Whisper (large-v3) gère bien l’arabe standard moderne (MSA), mais montre une dégradation du WER sur les dialectes. Les travaux de recherche rapportent un WER d’environ 30 à 32 % pour Whisper-large-v3 sur des ensembles de test arabes fortement dialectaux, avec des hallucinations occasionnelles où le modèle sort des traductions en anglais au lieu de transcrire. Le modèle medium fait parfois mieux que large-v3 sur certains benchmarks de dialectes arabes, ce qui est contre-intuitif mais documenté. Voir tarifs de l’API OpenAI Whisper en 2026 pour le contexte de coût.

Google Cloud STT prend en charge l’arabe et plusieurs variantes. La transcription standard V2 coûte 0,016 $ par minute. Google ne publie pas publiquement de benchmarks de précision par dialecte.

Otter.ai ne prend pas en charge l’arabe. Ses langues prises en charge sont l’anglais, l’espagnol, le français, l’allemand, le japonais et le chinois (simplifié). Si vos réunions ou entretiens sont en arabe, Otter n’est pas l’outil qu’il vous faut. Pour une comparaison plus large des outils de transcription de réunions et de leurs limites linguistiques, voir meilleure transcription pour Zoom 2026.

Flux de travail pratiques par type de contenu

La transcription de journaux télévisés en arabe (audio de diffusion en MSA) est la victoire la plus nette pour l'IA : l'audio est propre, le registre est formel, et tous les grands moteurs s'en sortent bien. Les interviews en MSA provenant de médias comme Al Jazeera, Reuters Arabic ou BBC Arabic suivent une phonologie prévisible, et le résultat ne demande qu'un léger nettoyage.

Les podcasts en arabe varient énormément selon la région de l'animateur et le public visé. Un podcast culturel égyptien et un podcast comique marocain sont suffisamment différents sur le plan acoustique et lexical pour que la précision sur l'un ne vous apprenne presque rien sur l'autre. Testez un court extrait dans votre contenu réel avant de confier un lot entier à un moteur.

Le contenu religieux (récitation coranique, sermons du vendredi) se divise en deux catégories. La récitation du Coran est en MSA, mais avec un style phonologique propre au tajwid, suffisamment distinct pour que les modèles généralistes puissent peiner, même s'il s'agit techniquement de MSA. Les sermons standard en MSA formel se transcrivent bien. Les sermons en dialecte local (fréquents dans les mosquées maghrébines) suivent les mêmes réserves de précision que tout autre audio en darija.

Les interviews académiques et les enregistrements de recherche qualitative sont le domaine où la diarisation des locuteurs pour l'arabe compte le plus. Les enregistrements multi-locuteurs dans un contexte de recherche formel, les entretiens structurés, les groupes de discussion, bénéficient de la diarisation même si le dialecte n'est pas le MSA.

Si vous avez simplement besoin de transcriptions propres en arabe sans construire de pipeline API, ConvertAudioToText gère le MSA et les principaux dialectes avec un rendu RTL inclus. Le niveau gratuit couvre 10 minutes de transcription, offertes une seule fois à l'inscription plutôt que chaque mois. Le plan Pro, à 9,99 $ par mois, convient aux podcasteurs, chercheurs et journalistes arabophones qui ont besoin d'un volume régulier sans la complexité d'une facturation à la minute.

Cinq conseils spécifiques à l'audio en arabe

Définissez la langue explicitement. La détection automatique fonctionne pour l'arabe, mais elle est plus lente et classe parfois à tort l'arabe maghrébin comme amazigh ou haoussa en raison de similitudes acoustiques dans la parole compressée. Passer ar explicitement, ou un code de dialecte là où c'est pris en charge, permet d'éviter l'étape de détection.

Fournissez un glossaire des noms propres. Les noms de personnes arabes ont de nombreuses conventions de translittération valides, et le même nom peut apparaître comme Ibrahim, Ibrahem ou Ebrahim dans le même transcript. Si votre contenu comporte des noms récurrents, un glossaire ou une liste de termes clés ancre la sortie.

Vérifiez la sortie du hamza et de l'alef si cela compte. Les moteurs ne s'accordent pas sur la forme d'alef à utiliser pour l'alef initial hamzé (alef avec hamza au-dessus vs alef simple). Pour les documents formels où la cohérence orthographique est importante, un passage de normalisation via un normalisateur de texte arabe capture ces variantes.

Enregistrez au plus près du micro pour les consonnes emphatiques et pharyngales. L'arabe a des fricatives pharyngales (ayin, ghain) et des consonnes emphatiques (sad, dad, tad, dhad) qui portent une énergie acoustique facilement perdue dans le bruit ambiant. Un enregistrement au plus près du micro préserve ces distinctions ; un enregistrement distant ou de qualité téléphonique les brouille, ce qui augmente le WER quel que soit le moteur utilisé.

Pour la darija, croisez les sources. Lancez un extrait de test de 2 minutes sur deux moteurs différents et comparez. Comme la couverture des données d'entraînement maghrébines varie selon le moteur, le meilleur performeur pour votre sous-dialecte et votre sujet spécifiques n'est pas prévisible à l'avance.

FAQ

L'IA peut-elle transcrire avec précision les dialectes arabes, ou seulement l'MSA ?

La précision varie considérablement selon le dialecte. L'MSA issu de sources de diffusion atteint les taux d'erreur de mots les plus bas sur tous les moteurs. L'arabe égyptien est le dialecte le mieux pris en charge grâce aux données d'entraînement abondantes issues du cinéma et de la télévision égyptiens. L'arabe maghrébin (marocain, darija algérienne) produit systématiquement les taux d'erreur les plus élevés en raison du vocabulaire berbère lourd et de l'alternance codique avec le français sur laquelle la plupart des modèles n'ont pas été entraînés.

Pourquoi le darija marocain provoque-t-il autant d'erreurs de transcription ?

Le darija marocain (et, dans une moindre mesure, l'arabe algérien) a perdu la plupart des voyelles courtes à l'oral, emprunte massivement au tamazight (berbère) pour le vocabulaire courant, et alterne avec le français en plein milieu d'une phrase. Pour les modèles de reconnaissance vocale entraînés principalement sur l'arabe standard moderne (MSA) et l'arabe égyptien, cette combinaison signifie une phonotactique inhabituelle, des items lexicaux inconnus et un changement d'écriture entre caractères arabes et latins, le tout en même temps. Prévoyez une relecture plus approfondie sur les enregistrements en darija.

La transcription en arabe inclut-elle les diacritiques (tashkeel) ?

Non, pas par défaut. L'écriture arabe standard, qu'il s'agisse d'articles de presse, de documents professionnels ou de papiers académiques, omet entièrement les diacritiques. Les locuteurs natifs déduisent les voyelles du contexte. La transcription par IA suit cette convention, donc le résultat sera un arabe non vocalisé, identique à ce que vous liriez dans Al Jazeera ou dans un manuel universitaire. Une sortie avec diacritiques (nécessaire pour le texte coranique ou les supports d'apprentissage des langues) exige une étape de post-traitement séparée, et ne fait pas partie des fonctionnalités standard des pipelines de reconnaissance vocale.

Otter.ai ou Fireflies prennent-ils en charge l'arabe ?

Otter.ai ne prend pas en charge l'arabe. Ses langues prises en charge sont l'anglais, l'espagnol, le français, l'allemand, le japonais et le chinois (simplifié). Fireflies, de son côté, cible surtout les flux de travail en anglais. Si votre réunion ou votre entretien se déroule en arabe, vous aurez besoin d'un service de transcription dédié qui liste explicitement l'arabe parmi ses langues.

Quel moteur gère le mieux l'arabe du Golfe et l'arabe levantin pour un usage professionnel ?

Deepgram Nova-3 offre le support le plus explicite au niveau des dialectes, avec des codes nommés pour chaque pays du Golfe (ar-AE, ar-SA, ar-QA, ar-KW) et chaque pays du Levant (ar-SY, ar-LB, ar-PS, ar-JO), ce qui permet de cibler le modèle acoustique régional précis. AssemblyAI Universal-3 Pro prend aussi en charge l'arabe et gère les variations dialectales automatiquement, sans nécessiter de code de dialecte. Speechmatics revendique une forte précision en arabe et couvre les variétés égyptienne, du Golfe, levantine et maghrébine.

Sources

• Deepgram : Nova-3 Arabic Speech-to-Text
• Deepgram : Models and Languages Overview
• AssemblyAI : Supported Languages
• Speechmatics : Arabic Speech to Text
• Otter.ai : Supported Languages Help Center (confirme l'absence d'arabe)
• Google Cloud : Speech-to-Text Pricing
• Arxiv : Overcoming Data Scarcity in Multi-Dialectal Arabic ASR via Whisper Fine-Tuning
• Arxiv : A Survey of Code-switched Arabic NLP
• Interspeech 2025 : Open Universal Arabic ASR Leaderboard