沙特研究者打造史上最大古兰经语音数据库，AI终于能"听懂"古兰经了？

这项由沙特阿拉伯独立研究者主导完成的研究，以预印本形式发表于2026年4月21日，论文编号为arXiv:2604.18932v1，收录于计算机科学语音与音频处理（cs.SD）方向。感兴趣的读者可通过该编号在arXiv平台查阅完整原文。

全世界有超过十八亿穆斯林，古兰经的诵读在伊斯兰文化中占有极其神圣的地位。然而，当人工智能浪潮席卷语音识别领域，能"听懂"普通话、英语乃至几十种小众语言的AI系统已经相当成熟时，古兰经诵读音频这一承载着人类文明重要遗产的声音世界，却几乎没有被现代机器学习技术认真对待过。原因很简单：没有足够的高质量数据。

一、被忽视的声音宝库：为什么AI听不懂古兰经？

古兰经的诵读方式和日常说话有着本质上的区别，就像职业歌手的美声演唱和普通人聊天完全不是一回事。古兰经诵读遵循一套称为"泰吉威德"（Tajwīd）的严格发音规则，这套规则规定了每个音节的拉伸长度、鼻音化方式、停顿位置等细节。诵读者往往会将某些音节拖长数倍，配合旋律性的吟唱风格，使得整体听感与普通阿拉伯语对话截然不同。

现有的语音识别AI系统，无论是识别英语还是阿拉伯语的，训练数据几乎清一色来自日常对话或朗读风格的录音。把这些系统直接用于古兰经诵读，就好像让一个只见过楷书的人去辨认草书书法——字都认识，但连在一起就完全不对劲了。于是，识别古兰经语音这件事，对现有AI来说一直是一道难以逾越的坎。

更棘手的是，这道坎的根源不在于算法不够聪明，而在于缺少数据。在此之前，学术界能用的古兰经音频数据集屈指可数。其中一个来自Kaggle平台的数据集只收录了12位诵读者的6689段音频，且没有文字标注，只能用来做"这是哪位诵读者"的识别任务，完全无法用于训练能"听懂内容"的AI。另一个名为SLR132的标准数据集虽然有来自30位诵读者的22万多段配对音频文本，但标注精度仅到"节"（即ayah，也称经文段落）的级别，缺乏更细致的词级别时间对齐信息，限制了它在更复杂任务上的应用。还有一个名为Buraaq的数据集同样来自30位诵读者，收录了约18.7万条样本，虽然附带了翻译和章节信息等丰富元数据，但在诵读者数量和音频规模上依然相当有限。

正是在这样的背景下，来自沙特阿拉伯利雅得的研究者构建了Tadabur数据集，试图为这个长期被忽视的领域注入一剂强心针。

二、Tadabur的庞大规模：一个前所未有的音频图书馆

Tadabur这个名字在阿拉伯语中意为"深思熟虑、反复体悟"，用于命名这个数据集颇为贴切。从规模上看，Tadabur堪称目前世界上最大的古兰经音频数据集：超过1400小时的诵读音频，来自600余位不同的诵读者，涵盖古兰经113个章节（即苏拉赫，Surah），包含超过36.5万个经文段落（即节，Ayah）级别的标注样本，并且每个样本都配有自动生成的词级别时间对齐信息和结构化元数据。

与之前那些数据集相比，Tadabur的差距之大令人印象深刻。诵读者数量从30人跳升到600余人，相当于扩大了20倍；总样本数从22万出头增加到36.5万以上；最重要的是，Tadabur首次在这个领域提供了词级别的时间对齐，也就是说，AI不仅知道"这段音频对应哪一节经文"，还知道"这个词从第几秒开始、到第几秒结束"。这一细粒度信息对于更高阶的语音研究任务至关重要，就好比从只有章节目录的书升级为有精确页码和行号索引的书。

600多位诵读者带来的多样性也是Tadabur的核心价值之一。不同诵读者的声音特征、年龄、方言背景、诵读风格（有的采用"穆拉塔尔"风格，即较为平稳的诵读；有的采用"穆贾威德"风格，即旋律性更强的吟唱）以及录音环境都各不相同。这种多样性让Tadabur不仅能支持语音识别研究，还能支持诵读者身份识别、诵读风格分析、发音质量评估等更广泛的研究方向。

三、数据是怎么来的：一条精心设计的自动化流水线

收集1400小时的音频只是第一步，更难的是把这些原始录音变成有用的训练数据。研究者设计了一条完全自动化的多阶段处理流水线，把这件听起来需要大量人工标注的事情变成了一个机器可以自主完成的过程。

整个流程从数据采集开始。研究者从多个公开可访问的古兰经音频平台收集录音，这些平台汇聚了来自世界各地诵读者的大量资源。采集时特意追求多样性，不同格式、不同录音环境、不同音频质量的录音都被纳入其中。所有录音随后被统一转换为相同的音频格式和采样率，确保后续处理的一致性。

采集来的音频往往附带着杂乱无章的文字描述，有的写着诵读者的名字，有的只有章节标题，有的甚至信息残缺。为了从这些"乱麻"中提取有用的信息，研究者引入了谷歌DeepMind的大型语言模型Gemini 2.5 Flash来担任"智能整理员"。系统将音频文件对应的标题、描述和其他文字信息喂给这个模型，让它判断这段音频是否真的是古兰经章节诵读，并从中提取出规范化的诵读者姓名和章节名称。当信息不完整或存在噪音时，模型会根据语义进行合理推断，给出最有可能正确的答案。这一步的作用相当于让一个熟悉古兰经的智能助手帮忙整理一大堆杂乱的档案。

完成元数据整理之后，接下来是整个流程中技术含量最高的一步：如何把一段完整的章节诵读音频切割成一节一节的独立片段，并精确标注每个词的起止时间。研究者使用了OpenAI的Whisper Large v3模型配合WhisperX工具来处理这个问题。Whisper是一个功能强大的多语言语音识别系统，而WhisperX则在其基础上增加了词级别时间戳提取的能力，通过一种称为"强制对齐"的技术，能够精确标出每个词在音频中出现的具体时间区间。

光有识别结果还不够，还需要知道哪段识别文字对应古兰经的哪一节。研究者从古兰经API获取了标准版本的古兰经文本，然后让一个核心模块——称为"节对齐模块"（Ayah Alignment Module，AAM）——来完成匹配工作。

这个匹配过程的巧妙之处在于它不是简单地比对文字是否相同，而是采用了语义相似度的方法。具体来说，系统使用了SILMA AI开发的嵌入模型，将每一节经文的文字和识别出来的转录片段都转换成一组数字向量（可以理解为在一个多维空间中的坐标点），然后计算两个坐标点之间的距离（余弦相似度）。当距离足够近，也就是相似度超过预设阈值时，就认为匹配成功，并从WhisperX的输出中提取对应的起止时间戳。

采用这种语义匹配而非直接文字比对的方式，是经过深思熟虑的选择。古兰经诵读中存在大量音节拉伸、特殊停顿和旋律变化，识别系统在转录时难免产生一些与标准文本写法不完全相同的结果，比如同一个词可能因为拉伸发音而被识别成略有差异的形式。如果死板地要求文字完全匹配，很多正确的对应关系会被遗漏。语义匹配则对这类"虽然写法略有不同但意思一样"的情况具有更强的包容性。

在完成初步的时间段匹配之后，研究者还加入了一道精细化处理步骤，以确保切割出来的每段音频恰好包含且仅包含那一节经文。他们采用了一个专门用于检测诵读停顿边界的模型，在每段初步切割的音频末尾额外保留5秒缓冲区，然后用这个边界检测模型找到诵读者在这节经文结束后自然停下来的精确时间点，再结合WhisperX提供的时间戳进行最终校正。这就像用剪刀精确裁剪胶片——不只是找到大概的位置，而是要找到那个千分之一秒级别的精确切割点。

四、三重质量把关：如何确保数据的可信度

数据量大固然重要，但如果其中充斥着错误样本，训练出来的AI只会学到错误的东西。研究者为Tadabur设计了三重互相补充的质量控制机制。

第一重是元数据层面的大语言模型审核。在采集阶段，Gemini模型不仅提取元数据，还要判断这段录音是否真的是古兰经章节诵读——而不是讲座、祈祷词或其他内容。这道关卡在数据进入后续处理流程之前就先过滤掉明显不合格的样本。

第二重质量控制来自节对齐模块本身的内在逻辑。由于对齐的参照对象是标准古兰经文本，只有当音频内容真正是某章某节的诵读时，才能完成匹配。讲道、布道或其他非诵读内容根本无法与经文文字产生足够的相似度，因此自然会在对齐过程中被淘汰。这就像用一把精确的模具来筛选零件，只有形状完全吻合的才能通过。

第三重是去重处理。在大规模自动化采集中，同一位诵读者的同一节录音很可能从不同来源被重复收录。研究者使用了一种名为"高效音频变换器"（EAT）的深度学习模型来提取每段音频的声学特征向量，然后对同一诵读者、同一经文节下的所有录音两两计算相似度。当两段录音的相似度超过0.9时，就认定它们是重复的，只保留其中一段。为了高效处理大量的重复关系，研究者将整个去重问题建模为一个图（Graph）结构，用"并查集"算法来找出所有相互关联的重复录音簇，再从每簇中选出代表性录音保留。这种方法借鉴了计算机视觉领域中著名的DINOv2研究的去重思路。

五、节对齐质量测试：哪种方法最准确？

在发布Tadabur之前，研究者专门对核心的节对齐模块进行了系统性评估，以验证流水线的可靠性。评估围绕两个维度展开：使用哪种对齐方法，以及使用哪个语音识别模型。

评估选取了五位知名诵读者的完整古兰经录音作为测试集，这些录音在构建Tadabur时未被用于任何模型微调，保证了评估的客观性。评估指标是"覆盖率"，即流水线成功识别并切割出来的节数占该诵读者总节数的百分比，覆盖率越高说明流水线越可靠。

在对齐方法上，语义嵌入（SILMA）与模糊文字匹配的差异相当显著。以研究团队自行微调的Tadabur专用ASR模型为例，语义嵌入方法平均覆盖率达到96.63%，而模糊文字匹配只有86.03%，差距超过10个百分点。这一差距在使用其他ASR模型时同样存在，充分证明语义匹配策略对古兰经这种特殊语音领域的优越性。

在ASR模型的选择上，差距同样明显。未经任何领域适配的Whisper Small模型在语义嵌入方法下平均覆盖率只有82.57%，而两个经过专门适配的模型——Tarteel AI的Whisper-Quran（95.50%）和研究者自己微调的Tadabur模型（96.63%）——表现则接近。有意思的是，在模糊文字匹配方法下，Whisper-Quran（87.23%）反而略微领先于Tadabur模型（86.03%），这说明当对齐方法足够强大时，两个经过领域适配的ASR模型在实际效果上已经相当接近，对齐方法的选择比模型的微小差异更关键。

综合来看，最佳配置是语义嵌入加Tadabur微调模型，平均覆盖96.63%，也就是每100节经文中有96节以上能被流水线准确找到并切割出来。这个数字在完全自动化的前提下相当令人满意。

六、让AI来背诵古兰经：现有模型的表现如何？

有了Tadabur这个数据集，研究者还将其作为基准测试平台，评估了八款市场上可获取的语音识别模型在古兰经音频上的实际表现。这八款模型覆盖了从小型专用模型到数十亿参数的大型通用模型，代表了当前语音识别技术的不同流派。

评估使用词错误率（WER）和字符错误率（CER）两个指标，两者都是越低越好。在计算之前，系统会先移除经文中的标注符号和特殊正字法变体，确保评估结果反映的是真正的语音识别能力，而不是受到书写格式差异的干扰。

评估结果揭示了一个鲜明的规律：领域适配比模型规模更重要。参数量最少的Whisper-Quran（7400万参数，由Tarteel AI专门在古兰经数据上微调）以8.7%的词错误率和6.5%的字符错误率拿下最佳成绩，远远领先于参数量多出数十倍的大型通用模型。

紧随其后的是Cohere Labs的Cohere Transcribe（20亿参数），词错误率11.2%，这款模型并未针对古兰经做专门训练，能取得这样的成绩，体现了大规模多语言预训练带来的迁移能力。Mistral AI的Voxtral Mini（40亿参数）以15.1%的词错误率排在第三。

然而，随着往后看，情况急转直下。微软研究院的VibeVoice-ASR（70亿参数）词错误率达到24.3%；阿里巴巴的Qwen3-ASR（17亿参数）词错误率25.2%，但字符错误率相对较低（9.9%），说明它在字符级别识别上表现尚可，只是组词方式与古兰经文本差异较大；标准的OpenAI Whisper Small（2.44亿参数）词错误率29.2%。

表现最差的两款模型令人印象深刻：Meta的MMS 1B（10亿参数，支持1000多种语言）词错误率高达51.1%，而专门在阿拉伯语数据上微调的Wav2Vec2 XLSR-53（3亿参数）甚至以57.4%的词错误率垫底。这两个案例说明，无论是"我会很多语言"的多语言模型还是"我专攻阿拉伯语"的专用模型，如果没有在古兰经这种特定音频域上进行适配，在面对古兰经诵读时都会遭遇严重的滑铁卢。古兰经诵读的独特声学特征，让它与普通阿拉伯语语音之间的鸿沟远比外人想象的要深。

七、开放使用与边界：Tadabur的定位与局限

研究者以开源方式发布了Tadabur，任何人都可以免费获取和使用。配套发布的还有元数据文件，方便研究者探索和分析数据集。在使用规范方面，研究者明确指出，这个数据集旨在用于教育、无障碍技术和学术研究等有益用途，使用者应避免任何对古兰经诵读的嘲讽、扭曲或不尊重的应用。

当然，Tadabur并非无懈可击。研究者坦诚地指出了两个主要局限。

其一是覆盖不均衡。部分诵读者并没有完整的全本古兰经录音，要么本身的录音资源就有限，要么是流水线在处理时未能成功匹配所有节。这意味着数据集中不同诵读者的样本数量存在相当大的差异，无法保证每位诵读者的每节经文都有对应音频。

其二是词级别时间戳的精度问题。WhisperX所使用的强制对齐技术并非专为古兰经诵读设计，面对拉伸音节、旋律性停顿等特殊发音现象时，精确度会打折扣。换句话说，虽然每个词的大概时间范围基本正确，但毫秒级别的精确边界可能存在偏差，这在需要极高精度时间对齐的研究任务中需要额外注意。

归根结底，Tadabur的出现填补了古兰经语音研究领域一个长达多年的空缺。600余位诵读者、1400余小时音频、36.5万个节级别样本、配有词级别时间戳和结构化元数据——这些数字背后，是一个有可能彻底改变古兰经相关AI应用格局的基础资源。

评估结果也传递出一个清晰的信号：古兰经语音识别这道难题，靠"把模型做得更大"并不能解决，真正的钥匙在于领域专属的训练数据。Tadabur的发布，正是把这把钥匙交到了研究社区手中。至于这把钥匙最终能打开哪扇门——更精准的古兰经背诵辅导工具、自动化的诵读错误检测系统、跨诵读者的风格分析平台，还是目前尚无人想到的创新应用——或许正等待着对这一领域感兴趣的研究者去探索。

Q&A

Q1：Tadabur数据集和之前的古兰经数据集有什么核心区别？

A：Tadabur最显著的差异体现在三个层面。诵读者数量从此前最多30人扩展到超过600人，规模扩大了20倍；总样本数超过36.5万条，远超此前任何公开数据集；最重要的是，Tadabur首次在该领域提供了词级别的时间对齐信息，即标注出每个词在音频中的具体起止时间，而不只是节级别的粗略对应。这种细粒度信息对发音质量评估、错误检测等高级任务至关重要。

Q2：古兰经语音识别为什么比普通阿拉伯语识别难那么多？

A：古兰经诵读遵循泰吉威德规则，这是一套关于发音的严格规范，包括音节拉伸、鼻音化处理、特定停顿方式等，使得诵读音频的声学特征与日常阿拉伯语对话有本质差异。同时，诵读者往往配合旋律性吟唱风格，进一步加大了识别难度。评估数据也证实了这一点——专门在阿拉伯语上微调的模型词错误率反而高达57.4%，比专门针对古兰经微调的小模型高出近50个百分点。

Q3：Tadabur数据集可以免费使用吗？普通开发者能用它做什么？

A：Tadabur以开源方式发布，研究社区可以免费获取。对于开发者而言，它可以用于训练古兰经语音识别系统、构建诵读错误检测工具、开发诵读者身份识别应用，以及研究不同诵读风格的声学特征。需要注意的是，研究者明确要求使用者避免任何嘲讽、扭曲或不尊重古兰经诵读的应用场景。