/ Модель

Характеристики

Параметры
190 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
31 авг 2026

Tashkeel-v2

Разметка токеновТекст → label3 профессии

Модель на основе MARBERTv2 расставляет арабские диакритические знаки и окончания и‘раба в тексте, сохраняя исходные символы.

435скачиваний за 30 дней2лайкавеса обновлены1 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Tashkeel-v2 — модель для огласовки арабского текста, разработанная автором репозитория на основе UBC-NLP/MARBERTv2. Она расставляет краткие гласные, сукун, шадду, танвин и окончания и‘раба, сохраняя исходную последовательность символов, цифр и знаков препинания. Модель предназначена для обработки классического и современного арабского текста, включая литературу, юридические тексты и исламские источники, а также для подготовки текста к синтезу речи и нормализации произношения.

Архитектура включает 12-слойный BERT-энкодер, двунаправленный LSTM и две головы для морфологии и окончаний и‘раба. В карточке указано 171,57 млн параметров, тогда как метаданные содержат оценку 190 млн. Обучение проводилось на корпусах арабских предложений, включая Sadeed, Shamela, Ashaar и аяты Корана; заявлен результат 2,85% Total DER на SadeedDiac-25 и высокая скорость пакетной обработки. Модель принимает текст и выдаёт текст с диакритическими знаками; основной язык — арабский. Лицензия — Apache-2.0.

Сценарии применения

  • расстановка огласовок в арабской прозе
  • добавление окончаний и‘раба в классических текстах
  • подготовка арабского текста к синтезу речи
  • нормализация произношения арабских слов
  • огласовка исламских источников и аятов Корана

Ограничения

Заявленные метрики и скорость приведены автором карточки для бенчмарка SadeedDiac-25 и могут не отражать качество на других текстах или оборудовании. Модель предназначена для арабского языка.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Tashkeel-v2 (تشكيل)

A state-of-the-art Morpheme-Aware Arabic Diacritization (تشكيل) Model powered by UBC-NLP/MARBERTv2 with a Dual-Head Multi-Task Architecture (Stem Morphology + 3x times Weighted I'rab Case Endings).

Trained on a curated, deduplicated, contamination-free multi-corpus of 5,006,013 Classical & Modern Arabic sentences and fine-tuned on Misraj/Sadeed_Tashkeela.

Tashkeel-v2 achieves 2.85% Total DER and 0.00% Hallucinations on the standard Misraj/SadeedDiac-25 benchmark, outperforming GPT-4 (3.86% DER) and Gemini-Flash-2.0 (3.19% DER) while processing ~898 sentences per second on a single GPU.


Benchmark Evaluation on SadeedDiac-25 (1,200 Sentences)

Evaluated with standard Arabic Morph/Total DER & WER:

  • Total DER (CE): Diacritic Error Rate including case endings (I'rab).
  • Morph DER (w/o CE): Diacritic Error Rate on internal stem vowels only.
  • Hallucinations: Share of examples rejected due to character or word-count mismatch.
Model / SystemTotal ScoredHallucination RateTotal DER (CE)Morph DER (w/o CE)Total WER (CE)Morph WER (w/o CE)Inference Speed
Claude-3.7-Sonnet1,190 / 1,2000.82%1.39%0.77%4.67%2.31%~5 sent/s
Tashkeel-v2 (This Model)1,200 / 1,2000.00%2.85%2.13%8.02%5.66%~898 sent/s
Tashkeel-50M (v1)12 / 1,200*~99.0%*3.08%*2.26%*9.56%*6.77%*~25 sent/s
Gemini-Flash-2.01,186 / 1,2001.17%3.19%2.38%7.99%5.50%~20 sent/s
GPT-41,188 / 1,2001.02%3.86%3.86%5.27%10.93%~10 sent/s
Sadeed (Published Paper)1,114 / 1,2007.19%7.29%5.26%13.74%9.92%~35 sent/s
tash2 (50M Baseline)1,199 / 1,2000.08%15.29%11.41%24.36%20.40%~25 sent/s

*Starred models are scored only on the subset of length-matched outputs.


Key Innovations in Tashkeel-v2

  1. Zero Hallucinations by Design (1:1 Character Sequence Tagging): Unlike generative causal LMs that drop leading numbers, brackets, or repeat words, Tashkeel-v2 operates as a character-level sequence tagger. The input characters, numbers, and punctuation are 100% immutable.
  2. Morpheme & Clitic Segmentation Engine: Decomposes Arabic words into [PROCLITIC] (e.g. فـ, بـ, الـ), [STEM], and [ENCLITIC] (e.g. ـهم, ـها) character spans. This explicitly marks the true morphological stem ending where I'rab vowels belong.
  3. Dual-Head Multi-Task Loss: Features a dedicated I'rab Head weighted at 3 times on stem endings and word boundaries, giving strong gradient signal to resolve long-range grammatical case assignments.
  4. 5.0 Million Deduplicated Pretraining: Pretrained on 5,006,013 unique sentences from Sadeed, Shamela, Ashaar, and Quran with 100% hash deduplication and zero contamination with the evaluation set.

Model Details

  • Model Type: Character-Level Arabic Diacritizer
  • Backbone: UBC-NLP/MARBERTv2 (12 Layers, 768-d hidden, 100k vocabulary)
  • Parameters: 171.57 Million (100% trainable)
  • Hidden Layers: 12 Transformer Layers + 2-layer Bidirectional LSTM (768-d) + Dual Multi-Task Heads
  • Precision: bfloat16 / float32
  • Supported Diacritic Classes: 15 classes (None, Fatha, Damma, Kasra, Sukun, Tanween Fath/Damm/Kasr, Shadda, Shadda+Vowels)

Quick Start

Installation

pip install torch transformers pyarabic safetensors

Python Usage

import torch
from transformers import AutoTokenizer
from huggingface_hub import hf_hub_download

# 1. Download model file
repo_id = "ahmedsamirtarjama/Tashkeel-v2"
device = "cuda" if torch.cuda.is_available() else "cpu"

# Download modeling code
script_path = hf_hub_download(repo_id=repo_id, filename="modeling_tashkeel.py")
weights_path = hf_hub_download(repo_id=repo_id, filename="model.safetensors")

# Load model class
import importlib.util
spec = importlib.util.spec_from_file_location("modeling_tashkeel", script_path)
mod = importlib.util.module_from_spec(spec)
spec.loader.exec_module(mod)

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = mod.MorphemeAwareArabicDiacritizer().to(device)

from safetensors.torch import load_file
model.load_state_dict(load_file(weights_path))
model.eval()

# 2. Run Diacritization
text = "اللغة العربية لغة جميلة وثرية بالمفردات"
result = model.diacritize(text, tokenizer=tokenizer, device=device)

print(f"Input : {text}")
print(f"Output: {result}")
# Output: اللُّغَةُ الْعَرَبِيَّةُ لُغَةٌ جَمِيلَةٌ وَثَرِيَّةٌ بِالْمُفْرَدَاتِ

Batch Diacritization

sentences = [
    "فبمستحقاتهم ولأطأنها",
    "حدثني يحيى عن مالك عن هشام بن عروة عن أبيه (2 / 192)",
    "قوله (وإن جعلا مدة قد تكمل وقد لا تكمل، فهل تصح؟ على وجهين) .",
    "- ولو أن أمير عسكر المسلمين أهدى إلى ملك العدو فعوضه"
]

results = model.diacritize(sentences, tokenizer=tokenizer, device=device, batch_size=64)
for inp, out in zip(sentences, results):
    print(f"{inp} -> {out}")

Training Recipe

HyperparameterPretraining PhaseTarget Calibration Phase
Dataset5,006,013 Sentences (Sadeed + Shamela + Ashaar + Quran)1,007,080 Sentences (Sadeed_Tashkeela)
Encoder LR2*10^-58*10^-6
Heads / LSTM LR3*10-41.2*10^-4
LR SchedulerCosine with 3% WarmupCosine Decay down to 1*10^-7
Effective Batch Size128 (DDP across 2x NVIDIA L40S)128 (DDP across 2x NVIDIA L40S)
I'rab Loss Weight3 times3 times
Label Smoothing0.030.03
Mixed Precisionbfloat16bfloat16

Intended Use & Capabilities

  • Full Text Diacritization: Classical Arabic (Fusha), legal texts, literature, and Islamic heritage books.
  • Text-to-Speech (TTS) Front-End: Providing accurate vowel and case ending tokens for Arabic TTS synthesis.
  • High-Throughput Production APIs: Capable of processing over 600–900 sentences per second per GPU.
  • Search & NLP Normalization: Exact pronunciation disambiguation.

Citation

If you use Tashkeel-v2 in your work, please cite:

@misc{tashkeelv2_2026,
  title        = {Tashkeel-v2: Morpheme-Aware Dual-Head Arabic Diacritization},
  author       = {Ahmed Samir},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/ahmedsamirtarjama/Tashkeel-v2}}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MorphemeAwareArabicDiacritizer
Ревизия весов
50cac61

0 моделей