SHAMI-MT: Een bidirectioneel machinevertalingssysteem van het Syrische Arabische dialect naar Modern Standaard Arabisch

SHAMI-MT: A Syrian Arabic Dialect to Modern Standard Arabic Bidirectional Machine Translation System

August 4, 2025

Auteurs: Serry Sibaee, Omer Nacar, Yasser Al-Habashi, Adel Ammar, Wadii Boulila

cs.AI

Samenvatting

Het rijke taallandschap van de Arabische wereld wordt gekenmerkt door een aanzienlijke kloof tussen Modern Standaard Arabisch (MSA), de taal van formele communicatie, en de diverse regionale dialecten die in het dagelijks leven worden gebruikt. Deze diglossie vormt een aanzienlijke uitdaging voor natuurlijke taalverwerking, met name voor machinaal vertalen. Dit artikel introduceert SHAMI-MT, een bidirectioneel machinevertaalsysteem dat specifiek is ontwikkeld om de communicatiekloof tussen MSA en het Syrische dialect te overbruggen. We presenteren twee gespecialiseerde modellen, één voor MSA-naar-Shami en een ander voor Shami-naar-MSA vertaling, beide gebouwd op de state-of-the-art AraT5v2-base-1024 architectuur. De modellen zijn verfijnd op de uitgebreide Nabra dataset en rigoureus geëvalueerd op onbekende gegevens uit het MADAR corpus. Ons MSA-naar-Shami model behaalde een uitstekende gemiddelde kwaliteitsscore van 4.01 uit 5.0 bij beoordeling door het OPENAI model GPT-4.1, wat aantoont dat het niet alleen nauwkeurige maar ook dialectaal authentieke vertalingen kan produceren. Dit werk biedt een cruciaal, hoogwaardig hulpmiddel voor een eerder onderbelichte taalcombinatie, waardoor het vakgebied van dialectaal Arabisch vertalen wordt bevorderd en belangrijke toepassingen worden geboden in contentlocalisatie, cultureel erfgoed en interculturele communicatie.

English

The rich linguistic landscape of the Arab world is characterized by a significant gap between Modern Standard Arabic (MSA), the language of formal communication, and the diverse regional dialects used in everyday life. This diglossia presents a formidable challenge for natural language processing, particularly machine translation. This paper introduces SHAMI-MT, a bidirectional machine translation system specifically engineered to bridge the communication gap between MSA and the Syrian dialect. We present two specialized models, one for MSA-to-Shami and another for Shami-to-MSA translation, both built upon the state-of-the-art AraT5v2-base-1024 architecture. The models were fine-tuned on the comprehensive Nabra dataset and rigorously evaluated on unseen data from the MADAR corpus. Our MSA-to-Shami model achieved an outstanding average quality score of 4.01 out of 5.0 when judged by OPENAI model GPT-4.1, demonstrating its ability to produce translations that are not only accurate but also dialectally authentic. This work provides a crucial, high-fidelity tool for a previously underserved language pair, advancing the field of dialectal Arabic translation and offering significant applications in content localization, cultural heritage, and intercultural communication.