通过行为实验显示部分标记的文本阅读起来通常比完全标记的文本和普通文本更容易；引入了上下文对比部分音标化技术（CCPD），它与现有的阿拉伯语音标化系统无缝集成；引入用于衡量部分音标化质量的新指标（SR、PDER、HDER、ERE），对于建立机器学习任务至关重要；最后，引入了 TD2，这是一种变种 Transformer 的模型，与所有其他已知系统相比，在所提出的指标上具有明显不同的性能特征。

Jan, 2024

本研究通过对现有系统、度量和资源的批判性回顾，提供了一个可以用于基准测试阿拉伯文连字的免费清洗数据集。实验结果表明，神经 Shakkala 系统相对于传统的基于规则的方法和其他闭源工具具有更好的连字错误率表现。

Apr, 2019

通过探索阿拉伯语自然语言处理中的 “野生变音符号” 实例，本文提出了一个新的标注数据集，并提出了对阿拉伯语自然语言处理中的分析和消岐方法的扩展，以利用这些变音符号，从而实现显著的改进。

Jun, 2024

PTCAD 是一种新的两阶段方法，将自动按音素对阿拉伯文本进行音标化，并在基准数据集上取得了最先进的结果，包括相对于现有基准数据的词错误率降低了 20％，在 ATD 任务中表现出优越的性能，超过了 GPT-4。

Jan, 2024

本文研究如何利用预训练语言模型来学习阿拉伯语言中的符号标记，并通过微调模型来实现不需特征工程，最小化训练量的方式进行符号标记任务，从而取得了最新的指标

Mar, 2023

本研究分析了阿拉伯语自动语音识别（ASR）系统中音标识别的表现，并比较了文本音标处理与 ASR 音标处理的表现。通过在不同音标化条件下对语音数据进行细化和对比，我们发现 ASR 音标处理特别是在手动音标化的情况下表现优异。

Feb, 2023

本文提出了几种用于阿拉伯文本自动标点的深度学习模型。模型既采用前馈神经网络也采用循环神经网络，包括诸如 100 热编码，嵌入式等多种增强技术。结果表明，与其他需要语言相关的后处理步骤的模型相比，我们的模型要么更好，要么与之相当。此外，我们还提出通过标点符号的使用，改善自然语言处理任务，如机器翻译。

Nov, 2019

使用预训练的 Whisper ASR 模型和基于 transformer 的音标恢复模型，从口语数据中生成粗略音标化的转录文本，作为额外输入，提高了自动音标恢复的性能。通过在同一领域和两个领域外测试集上进行实验证明，该模型相较于仅使用文本的等效模型，至少可以降低 5% 的音标错误率。这些结果凸显了当前基于文本的音标恢复模型在口语数据集上的不足，并为基于口语的音标恢复提供了新的基准。

Nov, 2023

本文提出了一种自动标记一部分词汇以进行音标恢复的方法，从而实现有选择性的同形词消除，并将其在神经机器翻译、词性标注和语义文本相似度等下游应用中进行了评估。

Dec, 2019

本文提出了一种针对阿拉伯文音标的新型网络结构，使用基于词和字符层级的循环神经网络层级结构和交叉层级的注意力机制，进一步提高了网络的可解释性。使用额外技巧如句子 dropout 和多数投票进一步提高了模型性能，使得在 Tashkeela 阿拉伯文音标数据集上达到了相对误差减少 30.56% 的 5.34% WER，超过了之前最优结果。

Nov, 2020