這項由沙烏地阿拉伯獨立研究者主導完成的研究，以預印本形式發表於2026年4月21日，論文編號為arXiv:2604.18932v1，收錄於電腦科學語音與音頻處理（cs.SD）方向。感興趣的讀者可通過該編號在arXiv平台查閱完整原文。
全世界有超過十八億穆斯林，古蘭經的誦讀在伊斯蘭文化中占有極其神聖的地位。然而，當人工智慧浪潮席捲語音識別領域，能"聽懂"普通話、英語乃至幾十種小眾語言的AI系統已經相當成熟時，古蘭經誦讀音頻這一承載著人類文明重要遺產的聲音世界，卻幾乎沒有被現代機器學習技術認真對待過。原因很簡單：沒有足夠的高質量數據。
一、被忽視的聲音寶庫：為什麼AI聽不懂古蘭經？
古蘭經的誦讀方式和日常說話有著本質上的區別，就像職業歌手的美聲演唱和普通人聊天完全不是一回事。古蘭經誦讀遵循一套稱為"泰吉威德"（Tajwīd）的嚴格發音規則，這套規則規定了每個音節的拉伸長度、鼻音化方式、停頓位置等細節。誦讀者往往會將某些音節拖長數倍，配合旋律性的吟唱風格，使得整體聽感與普通阿拉伯語對話截然不同。
現有的語音識別AI系統，無論是識別英語還是阿拉伯語的，訓練數據幾乎清一色來自日常對話或朗讀風格的錄音。把這些系統直接用於古蘭經誦讀，就好像讓一個只見過楷書的人去辨認草書書法——字都認識，但連在一起就完全不對勁了。於是，識別古蘭經語音這件事，對現有AI來說一直是一道難以逾越的坎。
更棘手的是，這道坎的根源不在於算法不夠聰明，而在於缺少數據。在此之前，學術界能用的古蘭經音頻數據集屈指可數。其中一個來自Kaggle平台的數據集只收錄了12位誦讀者的6689段音頻，且沒有文字標註，只能用來做"這是哪位誦讀者"的識別任務，完全無法用於訓練能"聽懂內容"的AI。另一個名為SLR132的標準數據集雖然有來自30位誦讀者的22萬多段配對音頻文本，但標註精度僅到"節"（即ayah，也稱經文段落）的級別，缺乏更細緻的詞級別時間對齊資訊，限制了它在更複雜任務上的應用。還有一個名為Buraaq的數據集同樣來自30位誦讀者，收錄了約18.7萬條樣本，雖然附帶了翻譯和章節資訊等豐富元數據，但在誦讀者數量和音頻規模上依然相當有限。
正是在這樣的背景下，來自沙烏地阿拉伯利雅得的研究者構建了Tadabur數據集，試圖為這個長期被忽視的領域注入一劑強心針。
二、Tadabur的龐大規模：一個前所未有的音頻圖書館
Tadabur這個名字在阿拉伯語中意為"深思熟慮、反覆體悟"，用於命名這個數據集頗為貼切。從規模上看，Tadabur堪稱目前世界上最大的古蘭經音頻數據集：超過1400小時的誦讀音頻，來自600餘位不同的誦讀者，涵蓋古蘭經113個章節（即蘇拉赫，Surah），包含超過36.5萬個經文段落（即節，Ayah）級別的標註樣本，並且每個樣本都配有自動生成的詞級別時間對齊資訊和結構化元數據。
與之前那些數據集相比，Tadabur的差距之大令人印象深刻。誦讀者數量從30人跳升到600餘人，相當於擴大了20倍；總樣本數從22萬出頭增加到36.5萬以上；最重要的是，Tadabur首次在這個領域提供了詞級別的時間對齊，也就是說，AI不僅知道"這段音頻對應哪一節經文"，還知道"這個詞從第幾秒開始、到第幾秒結束"。這一細粒度資訊對於更高階的語音研究任務至關重要，就好比從只有章節目錄的書升級為有精確頁碼和行號索引的書。
600多位誦讀者帶來的多樣性也是Tadabur的核心價值之一。不同誦讀者的聲音特徵、年齡、方言背景、誦讀風格（有的採用"穆拉塔爾"風格，即較為平穩的誦讀；有的採用"穆賈威德"風格，即旋律性更強的吟唱）以及錄音環境都各不相同。這種多樣性讓Tadabur不僅能支持語音識別研究，還能支持誦讀者身份識別、誦讀風格分析、發音質量評估等更廣泛的研究方向。
三、數據是怎麼來的：一條精心設計的自動化流水線
收集1400小時的音頻只是第一步，更難的是把這些原始錄音變成有用的訓練數據。研究者設計了一條完全自動化的多階段處理流水線，把這件聽起來需要大量人工標註的事情變成了一個機器可以自主完成的過程。
整個流程從數據採集開始。研究者從多個公開可訪問的古蘭經音頻平台收集錄音，這些平台匯聚了來自世界各地誦讀者的大量資源。採集時特意追求多樣性，不同格式、不同錄音環境、不同音頻質量的錄音都被納入其中。所有錄音隨後被統一轉換為相同的音頻格式和採樣率，確保後續處理的一致性。
採集來的音頻往往附帶著雜亂無章的文字描述，有的寫著誦讀者的名字，有的只有章節標題，有的甚至資訊殘缺。為了從這些"亂麻"中提取有用的資訊，研究者引入了谷歌DeepMind的大型語言模型Gemini 2.5 Flash來擔任"智能整理員"。系統將音頻文件對應的標題、描述和其他文字資訊餵給這個模型，讓它判斷這段音頻是否真的是古蘭經章節誦讀，並從中提取出規範化的誦讀者姓名和章節名稱。當資訊不完整或存在噪音時，模型會根據語義進行合理推斷，給出最有可能正確的答案。這一步的作用相當於讓一個熟悉古蘭經的智能助手幫忙整理一大堆雜亂的檔案。
完成元數據整理之後，接下來是整個流程中技術含量最高的一步：如何把一段完整的章節誦讀音頻切割成一節一節的獨立片段，並精確標註每個詞的起止時間。研究者使用了OpenAI的Whisper Large v3模型配合WhisperX工具來處理這個問題。Whisper是一個功能強大的多語言語音識別系統，而WhisperX則在其基礎上增加了詞級別時間戳提取的能力，通過一種稱為"強制對齊"的技術，能夠精確標出每個詞在音頻中出現的具體時間區間。
光有識別結果還不夠，還需要知道哪段識別文字對應古蘭經的哪一節。研究者從古蘭經API獲取了標準版本的古蘭經文本，然後讓一個核心模組——稱為"節對齊模組"（Ayah Alignment Module，AAM）——來完成匹配工作。
這個匹配過程的巧妙之處在於它不是簡單地比對文字是否相同，而是採用了語義相似度的方法。具體來說，系統使用了SILMA AI開發的嵌入模型，將每一節經文的文字和識別出來的轉錄片段都轉換成一組數字向量（可以理解為在一個多維空間中的坐標點），然後計算兩個坐標點之間的距離（餘弦相似度）。當距離足夠近，也就是相似度超過預設閾值時，就認為匹配成功，並從WhisperX的輸出中提取對應的起止時間戳。
採用這種語義匹配而非直接文字比對的方式，是經過深思熟慮的選擇。古蘭經誦讀中存在大量音節拉伸、特殊停頓和旋律變化，識別系統在轉錄時難免產生一些與標準文本寫法不完全相同的結果，比如同一個詞可能因為拉伸發音而被識別成略有差異的形式。如果死板地要求文字完全匹配，很多正確的對應關係會被遺漏。語義匹配則對這類"雖然寫法略有不同但意思一樣"的情況具有更強的包容性。
在完成初步的時間段匹配之後，研究者還加入了一道精細化處理步驟，以確保切割出來的每段音頻恰好包含且僅包含那一節經文。他們採用了一個專門用於檢測誦讀停頓邊界的模型，在每段初步切割的音頻末尾額外保留5秒緩衝區，然後用這個邊界檢測模型找到誦讀者在這節經文結束後自然停下來的精確時間點，再結合WhisperX提供的時間戳進行最終校正。這就像用剪刀精確裁剪膠片——不只是找到大概的位置，而是要找到那個千分之一秒級別的精確切割點。
四、三重質量把關：如何確保數據的可信度
數據量大固然重要，但如果其中充斥著錯誤樣本，訓練出來的AI只會學到錯誤的東西。研究者為Tadabur設計了三重互相補充的質量控制機制。
第一重是元數據層面的大語言模型審核。在採集階段，Gemini模型不僅提取元數據，還要判斷這段錄音是否真的是古蘭經章節誦讀——而不是講座、祈禱詞或其他內容。這道關卡在數據進入後續處理流程之前就先過濾掉明顯不合格的樣本。
第二重質量控制來自節對齊模組本身的內在邏輯。由於對齊的參照對象是標準古蘭經文本，只有當音頻內容真正是某章某節的誦讀時，才能完成匹配。講道、布道或其他非誦讀內容根本無法與經文文字產生足夠的相似度，因此自然會在對齊過程中被淘汰。這就像用一把精確的模具來篩選零件，只有形狀完全吻合的才能通過。
第三重是去重處理。在大規模自動化採集中，同一位誦讀者的同一節錄音很可能從不同來源被重複收錄。研究者使用了一種名為"高效音頻變換器"（EAT）的深度學習模型來提取每段音頻的聲學特徵向量，然後對同一誦讀者、同一經文節下的所有錄音兩兩計算相似度。當兩段錄音的相似度超過0.9時，就認定它們是重複的，只保留其中一段。為了高效處理大量的重複關係，研究者將整個去重問題建模為一個圖（Graph）結構，用"並查集"算法來找出所有相互關聯的重複錄音簇，再從每簇中選出代表性錄音保留。這種方法借鑑了電腦視覺領域中著名的DINOv2研究的去重思路。
五、節對齊質量測試：哪種方法最準確？
在發布Tadabur之前，研究者專門對核心的節對齊模組進行了系統性評估，以驗證流水線的可靠性。評估圍繞兩個維度展開：使用哪種對齊方法，以及使用哪個語音識別模型。
評估選取了五位知名誦讀者的完整古蘭經錄音作為測試集，這些錄音在構建Tadabur時未被用於任何模型微調，保證了評估的客觀性。評估指標是"覆蓋率"，即流水線成功識別並切割出來的節數占該誦讀者總節數的百分比，覆蓋率越高說明流水線越可靠。
在對齊方法上，語義嵌入（SILMA）與模糊文字匹配的差異相當顯著。以研究團隊自行微調的Tadabur專用ASR模型為例，語義嵌入方法平均覆蓋率達到96.63%，而模糊文字匹配只有86.03%，差距超過10個百分點。這一差距在使用其他ASR模型時同樣存在，充分證明語義匹配策略對古蘭經這種特殊語音領域的優越性。
在ASR模型的選擇上，差距同樣明顯。未經任何領域適配的Whisper Small模型在語義嵌入方法下平均覆蓋率只有82.57%，而兩個經過專門適配的模型——Tarteel AI的Whisper-Quran（95.50%）和研究者自己微調的Tadabur模型（96.63%）——表現則接近。有意思的是，在模糊文字匹配方法下，Whisper-Quran（87.23%）反而略微領先於Tadabur模型（86.03%），這說明當對齊方法足夠強大時，兩個經過領域適配的ASR模型在實際效果上已經相當接近，對齊方法的選擇比模型的微小差異更關鍵。
綜合來看，最佳配置是語義嵌入加Tadabur微調模型，平均覆蓋96.63%，也就是每100節經文中有96節以上能被流水線準確找到並切割出來。這個數字在完全自動化的前提下相當令人滿意。
六、讓AI來背誦古蘭經：現有模型的表現如何？
有了Tadabur這個數據集，研究者還將其作為基準測試平台，評估了八款市場上可獲取的語音識別模型在古蘭經音頻上的實際表現。這八款模型覆蓋了從小型專用模型到數十億參數的大型通用模型，代表了當前語音識別技術的不同流派。
評估使用詞錯誤率（WER）和字符錯誤率（CER）兩個指標，兩者都是越低越好。在計算之前，系統會先移除經文中的標註符號和特殊正字法變體，確保評估結果反映的是真正的語音識別能力，而不是受到書寫格式差異的干擾。
評估結果揭示了一個鮮明的規律：領域適配比模型規模更重要。參數量最少的Whisper-Quran（7400萬參數，由Tarteel AI專門在古蘭經數據上微調）以8.7%的詞錯誤率和6.5%的字符錯誤率拿下最佳成績，遠遠領先於參數量多出數十倍的大型通用模型。
緊隨其後的是Cohere Labs的Cohere Transcribe（20億參數），詞錯誤率11.2%，這款模型並未針對古蘭經做專門訓練，能取得這樣的成績，體現了大規模多語言預訓練帶來的遷移能力。Mistral AI的Voxtral Mini（40億參數）以15.1%的詞錯誤率排在第三。
然而，隨著往後看，情況急轉直下。微軟研究院的VibeVoice-ASR（70億參數）詞錯誤率達到24.3%；阿里巴巴的Qwen3-ASR（17億參數）詞錯誤率25.2%，但字符錯誤率相對較低（9.9%），說明它在字符級別識別上表現尚可，只是組詞方式與古蘭經文本差異較大；標準的OpenAI Whisper Small（2.44億參數）詞錯誤率29.2%。
表現最差的兩款模型令人印象深刻：Meta的MMS 1B（10億參數，支持1000多種語言）詞錯誤率高達51.1%，而專門在阿拉伯語數據上微調的Wav2Vec2 XLSR-53（3億參數）甚至以57.4%的詞錯誤率墊底。這兩個案例說明，無論是"我會很多語言"的多語言模型還是"我專攻阿拉伯語"的專用模型，如果沒有在古蘭經這種特定音頻域上進行適配，在面對古蘭經誦讀時都會遭遇嚴重的滑鐵盧。古蘭經誦讀的獨特聲學特徵，讓它與普通阿拉伯語語音之間的鴻溝遠比外人想像的要深。
七、開放使用與邊界：Tadabur的定位與局限
研究者以開源方式發布了Tadabur，任何人都可以免費獲取和使用。配套發布的還有元數據文件，方便研究者探索和分析數據集。在使用規範方面，研究者明確指出，這個數據集旨在用於教育、無障礙技術和學術研究等有益用途，使用者應避免任何對古蘭經誦讀的嘲諷、扭曲或不尊重的應用。
當然，Tadabur並非無懈可擊。研究者坦誠地指出了兩個主要局限。
其一是覆蓋不均衡。部分誦讀者並沒有完整的全本古蘭經錄音，要麼本身的錄音資源就有限，要麼是流水線在處理時未能成功匹配所有節。這意味著數據集中不同誦讀者的樣本數量存在相當大的差異，無法保證每位誦讀者的每節經文都有對應音頻。
其二是詞級別時間戳的精度問題。WhisperX所使用的強制對齊技術並非專為古蘭經誦讀設計，面對拉伸音節、旋律性停頓等特殊發音現象時，精確度會打折扣。換句話說，雖然每個詞的大概時間範圍基本正確，但毫秒級別的精確邊界可能存在偏差，這在需要極高精度時間對齊的研究任務中需要額外注意。
歸根結底，Tadabur的出現填補了古蘭經語音研究領域一個長達多年的空缺。600餘位誦讀者、1400餘小時音頻、36.5萬個節級別樣本、配有詞級別時間戳和結構化元數據——這些數字背後，是一個有可能徹底改變古蘭經相關AI應用格局的基礎資源。
評估結果也傳遞出一個清晰的信號：古蘭經語音識別這道難題，靠"把模型做得更大"並不能解決，真正的鑰匙在於領域專屬的訓練數據。Tadabur的發布，正是把這把鑰匙交到了研究社區手中。至於這把鑰匙最終能打開哪扇門——更精準的古蘭經背誦輔導工具、自動化的誦讀錯誤檢測系統、跨誦讀者的風格分析平台，還是目前尚無人想到的創新應用——或許正等待著對這一領域感興趣的研究者去探索。
Q&A
Q1：Tadabur數據集和之前的古蘭經數據集有什麼核心區別？
A：Tadabur最顯著的差異體現在三個層面。誦讀者數量從此前最多30人擴展到超過600人，規模擴大了20倍；總樣本數超過36.5萬條，遠超此前任何公開數據集；最重要的是，Tadabur首次在該領域提供了詞級別的時間對齊資訊，即標註出每個詞在音頻中的具體起止時間，而不只是節級別的粗略對應。這種細粒度資訊對發音質量評估、錯誤檢測等高級任務至關重要。
Q2：古蘭經語音識別為什麼比普通阿拉伯語識別難那麼多？
A：古蘭經誦讀遵循泰吉威德規則，這是一套關於發音的嚴格規範，包括音節拉伸、鼻音化處理、特定停頓方式等，使得誦讀音頻的聲學特徵與日常阿拉伯語對話有本質差異。同時，誦讀者往往配合旋律性吟唱風格，進一步加大了識別難度。評估數據也證實了這一點——專門在阿拉伯語上微調的模型詞錯誤率反而高達57.4%，比專門針對古蘭經微調的小模型高出近50個百分點。
Q3：Tadabur數據集可以免費使用嗎？普通開發者能用它做什麼？
A：Tadabur以開源方式發布，研究社區可以免費獲取。對於開發者而言，它可以用於訓練古蘭經語音識別系統、構建誦讀錯誤檢測工具、開發誦讀者身份識別應用，以及研究不同誦讀風格的聲學特徵。需要注意的是，研究者明確要求使用者避免任何嘲諷、扭曲或不尊重古蘭經誦讀的應用場景。
